Según explica Csikszentmihalyi (1975), él se preguntó cómo hay personas que pueden comprometerse profundamente en actividades donde las recompensas convencionales (dinero, prestigio, estatus) no son importantes. El interrogante generó que llevase a cabo entrevistas con distintos expertos (escaladores de montañas, compositores, bailarines, entre otros) y descubrió que ellos disfrutaban de estas actividades y que funcionaban como una poderosa fuente de motivación. Los entrevistados describían su experiencia subjetiva como “estar en flujo”, descripción que utilizó para denominar como estado de fluidez (EF) a estas experiencias. Un estado donde la persona se siente eficiente cognitivamente, feliz y motivada de forma simultánea (Moneta & Csikszentmihalyi, 1996, citado en Engeser & Rheinberg, 2008).

El EF se caracteriza por seis criterios: (1) balance entre desafío y habilidad, con un sentimiento de control sobre la situación (sentimiento de desafío óptimo); (2) acción y conciencia, las cuales se fusionan por sentirse parte de lo que se está haciendo, se pierde la autoconciencia y autorreflexión; (3) retroalimentación clara e inmediata, se sabe en todo momento qué y cómo hacerlo; (4) concentración absoluta, que no requiere voluntad o esfuerzo en la tarea, ocurre por sí misma; (5) pérdida de la noción del tiempo y (6) acción ininterrumpida o fluida, cada acción fluye a la otra, como si hubiese una lógica interna (Rheinberg & Engeser, 2018).

El EF no sólo está relacionado con actividades que buscan la excelencia (bailar, cantar, entre otros), en las que no hay una recompensa tangible y el objetivo es superar un desafío; sino que también aparece en actividades orientadas a los logros (deportistas profesionales, músicos profesionales, entre otros) donde hay recompensas tangibles (como el dinero) y hay que superar un desafío (como un torneo;Rheinberg & Egenser, 2018).

Otra actividad que produce esta experiencia subjetiva es jugar videojuegos. Donde el EF es una dimensión del compromiso de los videojugadores para con esta actividad (Abbasi et al., 2017). Hay diferentes investigaciones que estudian este fenómeno en relación a otras variables, algunas de ellas son: videojuegos en línea y su efecto positivo (Chiang et al., 2011), cómo afecta la adicción a los videojuegos (Hull et al., 2013), su relación con la identificación con el personaje (Bryce Soutter & Hitchens, 2016), cómo afecta el aprendizaje en los videojuegos serios (Perttula et al., 2017), simulación militar (Plummer et al., 2017), el efecto que tiene en el aprendizaje usando videojuegos educativos (Erhel & Jamet, 2019), en el rendimiento de deportistas electrónicos (Schmidt et al., 2020) y cómo afecta la aceptación de los videojuegos de realidad virtual (Kosa et al., 2020).

Según explican Csikszentmihalyi y Nakamura (2018), la experiencia subjetiva generada por el EF permite que se lo pueda considerar un estado alterado de la conciencia. Este puede ocurrir según el rendimiento de la persona en la actividad, la cual debe requerir habilidad y perseverancia (mental o física) para superar un desafío. Cuando se supera el desafío se logra modificar la realidad en que la persona vive.

Flow Short Scale

Desde que Csikszentmihalyi identificó el EF, se crearon diferentes escalas que lo cuantifican (por ej.: Fang et al., 2013; Jackson et al., 2008; Kiili, 2006). Sin embargo, la Escala Corta de Fluidez o Flow Short Scale (FSS,Rheinberg et al., 2003) presenta como ventaja que mide los seis criterios del EF en un corto período de tiempo y se puede usar para cualquier actividad. Esto lo hace mediante diez ítems que evalúan el EF en su totalidad (FSS unidimensional). A su vez, estos 10 ítems pueden separarse en dos factores (FSS bidimensional): Fluidez en el desempeño (ítem dos, cuatro, cinco, siete, ocho y nueve) y Absorción por la actividad (ítem uno, tres, seis y 10; Engeser & Rheinberg, 2008). Según explica Rheinberg et al. (2003) esto se debe a que la experiencia de flujo se puede separar en estos dos factores. El factor I representa declaraciones sobre un curso fluido que se autorregula automáticamente; Mientras que el factor II recopila declaraciones relacionadas con la absorción a través de la actividad. Analizar el EF de manera bidimensional puede ser útil para saber cuál influye más en la actividad estudiada. Por ejemplo, los deportes se caracterizan más por la fluidez en el desempeño y las relaciones sexuales se caracterizan más la absorción en la actividad.

Además el instrumento permite evaluar la importancia percibida de la actividad por medio de los ítems 11, 12 y 13, ya que si la persona percibe la actividad como importante, puede generar ansiedad y hacer que no se sienta en control sobre la situación y afecte el EF, dado que el sentimiento de control sobre la situación es uno de los componentes más importantes de la experiencia de flujo (Csikszentmihalyi, 1975; Engeser, 2012).También es importante la relación habilidad-desafío porque la misma influiría en el EF y es necesario estudiar qué tan cierto es. Sin embargo, la FSS no lo evalúa mediante un factor, sino solo con un ítem que mide cómo el individuo percibe el balance entre sus habilidades y las demandas de la actividad (“Personalmente, para mí las demandas actuales son...”). Además, se puede medir la demanda de la actividad a comparación de otras actividades (“Comparado a las demás actividades en las que participo, esta es...”-) y la capacidad para la actividad en curso (“Creo que mi competencia en esta área es...”). Como los tres ítems evalúan conceptos diferentes, los mismos son independientes entre sí y no forman una escala propia (Engeser, 2012).

El estudio de Schmidt et al. (2020), mencionó que al analizar a unos deportistas electrónicos encontraron que todos poseían un nivel similar de fluidez y que los ganadores presentaban una mayor importancia percibida que los perdedores. Sin embargo, no evaluaron los ítems 14 a 16 que consideran habilidad y demanda. Mientras que el estudio realizado por Engeser y Rheinberg (2008) encontraron que en actividades donde la importancia percibida era alta, el EF era alto, pese a que la demanda fuese baja. Sin embargo, cuando la importancia percibida era baja, era importante el balance entre demanda y habilidad para que se pueda mantener el EF (si el balance está presente, hay EF, pero si la demanda es muy alta o muy baja, no había EF). Por su parte, Schüler (2007) encontró que los individuos que esperaban superar la actividad puntuaban alto en fluidez cuando se encontraban en una situación de equilibrio entre habilidad y demanda.

Si bien la escala fue validada y aplicada con éxito en diferentes investigaciones (experimentales y correlaciónales; Engeser & Rheinberg, 2008) y se encuentra traducida a varios idiomas (Rheinberg, 2015), son pocos los artículos que exploran sus propiedades psicométricas. Hay estudios realizados en Alemania (Engeser & Rheinberg, 2008; Rheinberg et al., 2003), Turquía (İşigüzel & Çam, 2014; Özdemir et al., 2020), China (Tian et al., 2017), Irán (Shahian et al., 2017) y Grecia (Kyriazos et al., 2018).

Los resultados publicados de las propiedades psicométricas son adecuados en cuanto a su confiabilidad. La FSS unidimensional posee: α = .80 - .92 (Engeser & Rheinberg, 2008;İşigüzel & Çam, 2014; Kyriazos et al., 2018;Özdemir et al., 2020; Rheinberg et al., 2003; Schmidt et al., 2020; Shahian et al., 2017; Tian et al., 2017), CFI = .91 - .97, NFI = .90 - .96, SRMR = .06 - .07 y RMSEA = .04 - .08 (Kyriazos et al., 2018; Özdemir et al., 2020;Shahian et al., 2017;Tian et al., 2017). La FSS bifactorial posee: α = .81 - .82 (Fluidez del desempeño α = .85 - .92 y Absorción por la actividad α = .72 - .80; Engeser & Rheinberg, 2008;Kyriazos et al., 2018; Rheinberg et al., 2003), CFI = .963, SRMR = .058 y RMSEA = .047 (Kyriazos et al., 2018). La escala de importancia percibida solo se evaluó el α = .67 - .85 (Engeser & Rheinberg, 2008; İşigüzel & Çam, 2014; Özdemir et al., 2020;Schmidt et al., 2020). De los ítems 14, 15 y 16 no se encontraron propiedades psicométricas por ser ítems individuales y no conformar una escala.

Método

Participantes

Participaron 749 videojugadores argentinos (Mujeres = 50.5%; Hombres = 49.5%). Los cuales tenían entre 18 y 59 años (M = 23.76; DE = 5.656).

Procedimiento

El consentimiento informado y las escalas fueron adaptados a una versión digital para su administración por medio de Formularios de Google. Luego, siguiendo las sugerencias de la literatura (Iannelli et al., 2018), se llevaron a cabo publicidades en Instagram y Facebook. Además, en este último, se avisó en grupos relacionados con los videojuegos sobre la investigación (Kosinski et al., 2015; Rife et al., 2016; Shaver et al., 2019; Welch, 2020).

Al ser un estudio cien por ciento en línea, voluntario y anónimo, la aceptación del consentimiento informado se realizaba por medio de una checkbox o casilla de verificación. La muestra total estuvo compuesta por videojugadores argentinos que aceptaron el consentimiento y completaron todo el formulario.

El consentimiento informaba que los datos serían utilizados con fines académicos-científicos, que serían resguardados como indica la ley nacional de protección de los datos personales de Argentina (N° 25326) y que se seguía el código de conducta ética que establece el Consejo Nacional de Investigación Científica y Técnica (CONICET; Res. D N° 2857/06).

El proyecto en que se enmarca este trabajo fue aprobado por el comité de ética de la institución financiadora que evaluó el proyecto.

Instrumentos

Escala Corta de Fluidez o Flow Short Scale (FSS; Engeser & Rheinberg, 2008;Rheinberg et al., 2003).

En primer lugar, se pidió autorización a los autores originales para traducir y adaptar la escala al contexto argentino. Luego, se tradujeron los ítems y se compartieron con profesionales del área para obtener retroalimentación sobre la traducción y finalmente se retrotradujeron los ítems al inglés para confirmar que mantuviesen el significado original. La FSS está compuesta por 10 ítems que miden los seis criterios del EF, como por ejemplo: “Mi mente está completamente despejada” o “Siento que tengo todo bajo control”. Cada uno se responde en una escala Likert de siete puntos, desde “Para nada” (un punto) a “Muchísimo” (siete puntos). Además, se añadieron los tres ítems que miden la importancia percibida de la actividad (ítems 11, 12 y 13) que se respondieron en la misma escala Likert que el EF. También se agregaron los tres ítems que miden: demanda de la actividad a comparación de otras actividades (ítem 14), se respondieron en una escala Likert de nueve puntos (de Fácil a Difícil); capacidad para la actividad en curso (ítems 15), se respondió en una escala Likert de nueve puntos (de Baja a Alta); y cómo percibe el balance entre sus habilidades y las demandas de la actividad (ítem 16), que, también, se midió en una escala Likert de nueve puntos (de Muy bajas a Muy altas; escala completa en Tabla 1)

Cuestionario ad-hoc.

El objetivo del mismo fue relevar información sobre la edad, sexo y si jugaron videojuegos en el último mes.

Análisis de datos

Para saber si el modelo teórico se ajustaba a la población estudiada se realizó un Análisis factorial confirmatorio (CFA) mediante los programas SPSS 25 y LISREL 8.80 (Rojas-Torres, 2020). La estimación de los parámetros se realizó mediante el método mínimos cuadrados ponderados diagonalizados o diagonally weighted least squares (DWLS; Li, 2016) y para la Bondad de ajuste se usaron: Chi cuadrado o Chi square (χ2), Índice de ajuste comparado o Comparative fit index (CFI), Índice de ajuste no normativo o Non-normed fit index (NNFI), Índice de ajuste incremental o Incremental fit index (IFI), Índice de bondad de ajuste o Goodness of fit index (GFI), y la Raíz del error cuadrático medio o Root mean-square error of approximation (RMSEA) y el Residuo estandarizado cuadrático medio o Standardized root mean square residual (SRMR). Dichos índices son considerados indicadores robustos (Escobedo Portillo et al., 2016: Rojas-Torres, 2020). La evaluación de la confiabilidad de la escala se midió mediante el coeficiente Omega de McDonald (ω; Viladrich et al., 2017; Zhang & Yuan, 2016).

El análisis se realizó sobre la FSS unidimensional, FSS bidimensional y la escala de importancia percibida. No se realizó un CFA de los ítems 14, 15 y 16 por ser independientes (para evaluar el CFA es necesario que los ítems se relacionen entre sí para generar una variable latente o factor; Brown, 2015). Además, se comparó la parsimonia de la FSS unidimensional y bidimensional según el Criterio consistente de información de akaike o Consistent akaike information criterion (CAIC; Hooper et al., 2008).

Análisis Factorial Confirmatorio

Mediante LISREL se analizó el modelo estructural y los índices de bondad de ajuste del de la FSS unidimensional, bidimensional y de la importancia percibida.

Los índices de bondad de ajuste CFI, NNFI e IFI poseen un punto de corte consensuado de .90 o superior y el RMSEA tiene que ser igual o menor a .05 para ser aceptable, si es mayor a .05 y menor a .08 se lo considera pobre (Brown, 2015; Escobedo Portillo et al., 2016;Hu & Bentler, 1999;Kline, 2011). Mientras que el GFI debe ser igual o superior a .93 y el SRMR menor o igual a .08. Ambos son considerados índices robustos en cualquier método de estimación (Cho et al., 2020; Shi & Maydeu-Olivares, 2020). Si los modelos teóricos no se ajustaban a estos valores, se realizarían correlaciones de errores entre los ítems para encontrar el modelo que mejor se ajuste.

Análisis de consistencia interna

Para calcular la confiabilidad de la escala se utilizó el coeficiente Omega de McDonald (ω), ya que es una medida más precisa que el coeficiente alfa de Cronbach (Ventura-León & Caycho-Rodríguez, 2017). El puntaje mínimo que debió alcanzar fue de .50 e igual o mayor a .75 para ser aceptable (Watkins, 2017).

Parsimonia

La Parsimonia se analizó mediante los índices CAIC Modelo y CAIC Independiente. Estos índices no poseen un punto de corte establecido, pero mientras más bajo sea el valor, más parsimonia tiene el modelo (Phakiti, 2018). Además, mientras más diferencia haya entre el CAIC Modelo y CAIC independiente, mayor será la parsimonia (Galarza et al., 2019).

Relaciones entre ítems

Se analizó la correlación existente entre la FSS unifactorial, bifactorial, la importancia percibida y los ítems 14 a 16, mediante SPSS 25, para saber si había coincidencia con los hallazgos encontrados por Schmidt et al. (2020), Engeser y Rheinberg (2008) y Schüler (2007).

Resultados

Los resultados del CFA de la FSS unidimensional y bidimensional se encuentran en la Tabla 2.

La FSS unidimensional que mejor ajusta (con covarianza de error entre los ítems siete y ocho, y ocho y nueve) se puede observar en la Figura 1.

La FSS bidimensional con mejor ajuste se puede observar en la Figura 2, el cual tiene correlación de error entre los ítems siete y ocho, y ocho y nueve.

Al realizar el CFA de la escala de Importancia Percibida, el modelo satura (Figura 3). Así que los resultados son: NNFI, CFI e IFI y GFI = 1 y RMSEA y SRMR = 0.

La consistencia interna de la FSS unidimensional posee un ω = .763. La FSS bidimensional posee un ω = .616 en Absorción por la actividad y un ω = .689 en Fluidez en el desempeño (tomando todos los ítems un ω = .792). Mientras que la escala de Importancia Percibida posee un ω = .850.

Los resultados comparativos de la Parsimonia de la FSS unidimensional y bidimensional (con y sin correlación de error) se pueden observar en la Tabla 3.

Índices de parsimonia de la FSS unidimensional y bidimensional

Se encontraron correlaciones entre la mayoría de los ítems y/o factores. Para observarlos con detenimiento, ver Tabla 4.

Discusión

El objetivo del estudio fue aportar evidencias de validez de la FSS (Engeser & Rheinberg, 2008;Rheinberg et al., 2003) para el contexto argentino. Una escala utilizada a nivel mundial para evaluar el EF y así poder comparar resultados con otros países.

La FSS está compuesta por 10 ítems que miden el EF y que pueden ser evaluados de forma unifactorial o bifactorial. La FSS utilizada dependerá del objetivo de la investigación, se puede analizar el unifactorial para evaluar la experiencia de fluidez de los participantes en su totalidad o el bifactorial para evaluar cuál de sus dimensiones (Fluidez del desempeño y Absorción por la actividad) posee más importancia en la actividad analizada.

Para evaluar qué FSS (unifactorial y bifactorial) se adapta al contexto argentino, se llevó a cabo un CFA. Los resultados indican que la FSS bidimensional se encuentra dentro de los valores esperados en los índices de bondad de ajuste, mientras que la FSS unidimensional no ajusta en el RMSEA (.085). Mientras que el CAIC indicaría que la FSS bifactorial se ajusta mejor a la población argentina.

En cuanto al Omega de Mc Donald, la FSS unidimensional y bidimensional cumplen con el puntaje recomendado. Sin embargo, las dimensiones de la FSS bifactorial por separado no poseen un valor óptimo, pero sí están dentro de los rangos recomendados. Esto se puede deber a que los factores con una menor cantidad de ítems suelen presentar valores más bajos (Raykov & Marcoulides, 2011). Al analizar la carga factorial de los diez ítems, el ítem uno (“sentí la cantidad justa de desafío”) y el ocho (“Sé lo que tengo que hacer en cada paso del camino”), en la FSS unidimensional y bidimensional, poseen un valor menor al punto de corte recomendado (.40). Dicho resultado sugeriría eliminarlos, mas se decide mantenerlos por su relevancia teórica. Puesto que los diez ítems de la FSS fueron construidos para evaluar todas las características del EF. Así que sería recomendable realizar un nuevo estudio que permita hallar una mejor adaptación de los ítems al contexto local, esta recomendación también es válida para los ítems siete y nueve, por ser parte de la covarianza de error.

Al analizar por qué la covarianza de error mejora los valores de los modelos se podría observar, dentro de nuestro contexto, cierta similitud entre los reactivos. El ítem siete refiere al correcto desarrollo de la actividad por realizar las acciones de forma precisa, lo mismo ocurre con el ítem ocho que menciona que la persona sabe qué tiene que hacer en todo momento. A su vez el reactivo ocho podría interpretarse como tener todo bajo control, enunciado del ítem nueve. Quizá cambiando el enunciado del ítem ocho se resuelva la covarianza de error, sin tener que modificar los ítems siete y nueve.

La escala de Importancia percibida cumple con todos los criterios analizados (CFA y consistencia interna).

Al considerar los resultados obtenidos en otras investigaciones (Engeser & Rheinberg, 2008;Schmidt et al. 2020;Schüler, 2007) y al compararlos con las correlaciones realizadas en esta investigación, se observan resultados que podrían relacionarse. Se encuentra que hay una correlación muy significativa entre el ítem 11 (“Algo importante para mí está en juego aquí”) y el EF; lo hay también con los otros ítems que componen la Importancia Percibida (ítems 12 y 13) y la escala que conforman los tres ítems. A su vez, la capacidad y el balance entre capacidad y demanda se relacionan de forma muy significativa con el EF. Sin embargo, la demanda es la única que varía, pues posee una relación significativa con el EF, no significativa con la Fluidez en el desempeño y muy significativa con la Absorción por la actividad.

Si bien la FSS unidimensional y bidimensional presentan un buen ajuste al contexto argentino, pueden ser mejorados en futuras investigaciones. También hay que tener en cuenta que las evidencias de validez fueron obtenidas para una población específica (videojugadores argentinos); por lo cual sería recomendable realizar otros estudios que posean el mismo objetivo que este, pero en diferentes actividades y/o pasatiempos. De esta manera, se podría emplear la FSS en diferentes áreas y, a su vez, explorar y mejorar sus propiedades psicométricas.

Agradecimientos

El estudio fue posible gracias a las personas que participaron del mismo, al Dr. Falko Rheinberg y al Dr. Stefan Egenser por responder a nuestro contacto y al soporte institucional brindado por la Universidad de Flores.

La investigación se llevó a cabo dentro de la Universidad de Flores (Proyecto 01EX20), la Universidad de Buenos Aires (Proyecto UBACyT 20020190200244BA) y la Agencia Nacional de Promoción de la Investigación, el Desarrollo Tecnológico y la Innovación (Proyecto PICT 2019-00408).

Referencias

Abbasi, A. Z., Ting, D. H., & Hlavacs, H. (2017). Engagement in games: Developing an instrument to measure consumer videogame engagement and its validation. International Journal of Computer Games Technology, 2017, 7363925. https://doi.org/10.1155/2017/7363925

Brown, T. (2015). Confirmatory factor analysis for applied research, Second Edition. Guilford Press.

Bryce Soutter, A. R., & Hitchens, M. (2016). The relationship between character identification and flow state within video games. Computers in Human Behavior, 55(PB), 1030-1038.https://doi.org/10.1016/j.chb.2015.11.012

Chiang, Y., Lin, S. J. S., Cheng, C., & Liu, E. Z. (2011). Exploring online game players’ flow experiences and positive affect. The Turkish Online Journal of Educational Technology, 10(1), 106-114. http://www.tojet.net/articles/v10i1/10111.pdf

Cho, G., Hwang, H., Sarstedt, M., & Ringle, C., M. (2020). Cutoff criteria for overall model ft indexes in generalized structured component analysis. Journal of Marketing Analytics, 8, 189-202. https://doi.org/10.1057/s41270-020-00089-1

Csikszentmihalyi, M. (1975). Beyond boredom and anxiety. Jossey-Bass.

Csikszentmihalyi, M., & Nakamura, J. (2018). Flow, altered states of consciousness, and human evolution. Journal of Consciousness Studies, 25(11-12), 102–114. https://philpapers.org/rec/CSIFAS

Engeser, S. (2012). Appendix: Flow Short Scale. En S. Engeser (Ed.), Advance in Flow Research (pp. 187-199). Springer. https://doi.org/10.1007/978-1-4614-2359-1

Engeser, S., & Rheinberg, F. (2008). Flow, performance and moderators of challenge-skill balance. Motivation and Emotion, 32(3), 158-172. https://doi.org/10.1007/s11031-008-9102-4

Erhel, S., & Jamet, E. (2019). Improving instructions in educational computer games: Exploring the relations between goal specificity, flow experience and learning outcomes. Computers in Human Behavior, 91, 106-114. https://doi.org/10.1016/j.chb.2018.09.020

Escobedo Portillo, M. T., Hernández Gómez, J. A., Estebané Ortega, V. E., & Martínez Moreno, G. (2016). Modelos de ecuaciones estructurales: características, fases, construcción, aplicación y resultados. Ciencia y Trabajo, 18(55), 16-22. https://doi.org/10.4067/S0718-24492016000100004

Fang, X., Zhang, J., & Chan, S. S. (2013). Development of an Instrument for Studying Flow in Computer Game Play. International Journal of Human–Computer Interaction, 29(7), 456-470. https://doi.org/10.1080/10447318.2012.715991

Galarza, A. L., Fernández-Liporace, M., Castañeiras, C., & Freiberg-Hoffmann, A. (2019). Análisis Psicométrico del Inventario de Orientaciones Suicidas ISO-30 en Adolescentes Escolarizados (14-18 años) y Jóvenes Universitarios Marplatenses. Revista Iberoamericana de Diagnóstico y Evaluación, 51(2), 135-147. https://doi.org/10.21865/RIDEP51.2.10

Hooper, D., Coughlan, J., & Mullen, M. (2008). Structural equation modelling: Guidelines for determining model fit. Electronic Journal of Business Research Methods, 6(1), 53-60. https://doi.org/10.21427/D7CF7R

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/10.1080/10705519909540118

Hull, D. C., Williams, G. A., & Griffiths, M. D. (2013). Video game characteristics, happiness and flow as predictors of addiction among video game players: A pilot study. Journal of Behavioral Addictions, 2(3), 145–152. https://doi.org/10.1556/JBA.2.2013.005

Iannelli, L., Giglietto, F., Rossi, L., & Zurovac, E. (2018). Facebook digital traces for survey research: assessing the efficiency and effectiveness of a facebook ad–based procedure for recruiting online survey respondents in niche and difficult-to-reach populations. Social Science Computer Review, 38(4), 462-476. https://doi.org/10.1177/0894439318816638

İşigüzel, B., & Çam, S. (2014). The adaptation of Flow Short Scale to Turkish: A validity and reliability study. International Journal of Human Sciences, 11(2), 788-801. https://doi.org/10.14687/ijhs.v11i2.2826

Jackson, S. A., Martin, A. J., & Eklund, R. C. (2008). Long and Short Measures of Flow: The Construct Validity of the FSS-2, DFS-2, and New Brief Counterparts. Journal of Sport and Exercise Psychology, 30(5), 561-587. https://doi.org/10.1123/jsep.30.5.561

Kiili, K. (2006). Evaluations of an experiential gaming model. Human. Technology. An Interdisciplinary Journal on Humans in ICT Environments, 2(2), 187-201. https://ht.csr-pub.eu/index.php/ht/issue/view/5/5

Kline, R. B. (2011). Principles and practice of structural equiation modeling (3rd ed.). The Guilford Press.

Kosa, M., Uysal, A., & Eren, P. E. (2020). Acceptance of virtual reality games: A multi-theory approach. International Journal of Gaming and Computer-Mediated Simulations, 12(1), 43-70. https://doi.org/10.4018/IJGCMS.2020010103

Kosinski, M., Matz, S. C., Gosling, S. D., Popov, V. & Stillwell, D. (2015). Facebook as a Research Tool for the Social Sciences: Opportunities, Challenges, Ethical Considerations, and Practical Guidelines. American Psychological Association, 70(6), 543-556. https://doi.org/10.1037/a0039210

Kyriazos, T. A., Stalikas, A., Prassa, K., Galanakis, M., Flora, K., & Chatzilia, V. (2018). The Flow Short Scale (FSS) Dimensionality and What MIMIC Shows on Heterogeneity and Invariance. Psychology, 9(6), 1357-1382. https://doi.org/10.4236/psych.2018.96083

Li, Ch-H. (2016). The Performance of ML, DWLS, and ULS Estimation With Robust Corrections in Structural Equation Models With Ordinal Variables. Psychological Methods, 21(3), 369-387. https://doi.org/10.1037/met0000093

Özdemir, A. S., Ayyildiz Durhan, T., & Akgül, B. M. (2020). Validity and Reliability Study of Adapting Flow Life Scale to Recreational Activities. Gazi Journal of Physical Education and Sport Sciences, 25(2), 107-116. https://dergipark.org.tr/en/download/article-file/1031836

Perttula, A., Kiili, K., Lindstedt, A., & Tuomi, P. (2017). Flow experience in game based learning – a systematic literature review. International Journal of Serious Games, 4(1), 57-72. https://doi.org/10.17083/ijsg.v4i1.151

Phakiti, A. (2018) Confirmatory Factor Analysis and Structural Equation Modeling. En: A. Phakiti P. De Costa, L. Plonsky, S. Starfield (Eds), The Palgrave Handbook of Applied Linguistics Research Methodology (pp. 459-500). Palgrave Macmillan. https://doi.org/10.1057/978-1-137-59900-1_21

Plummer, J. P., Schuster, D., & Keebler, J. R. (2017). The effects of gender, flow and video game experience on combat identification training. Ergonomics, 60(8), 1101-1111. https://doi.org/10.1080/00140139.2017.1280187

Raykov, T., & Marcoulides, ‎G. A. (2011). Introduction to Psychometric Theory. Taylor & Francis.

Rheinberg, F. (2015). The Flow-Short-Scale (FSS) translated into various languages. https://www.researchgate.net/publication/283348840_Die_Flow-Kurzskala_FKS_ubersetzt_in_verschiedene_Sprachen_The_Flow-Short-Scale_FSS_translated_into_various_languages?channel=doi&linkId=5635fe0808aeb786b703b6e8&showFulltext=true

Rheinberg, F., & Engeser, S. (2018). Intrinsic Motivation and Flow. En J. Heckhausen & H. Heckhausen (Eds.), Motivation and Action (3rd. ed., pp. 579-622). Springer. https://doi.org/10.1007/978-3-319-65094-4_14

Rheinberg, F., Vollmeyer, R., & Engeser, S. (2003). Die Erfassung des Flow-Erlebens [The Assessment of Flow Experience]. En J. Stiensmeier-Pelster & F. Rheinberg (Eds.), Diagnostik von Selbstkonzept, Lernmotivation und Selbstregulation [Diagnosis of Motivation and Selfconcept] (pp. 261-279). Hogrefe.

Rife, S. C., Cate, K. L., Kosinski, M., & Stillwell, D. (2016). Participant recruitment and data collection through Facebook: the role of personality factors. International Journal of Social Research Methodology, 19(1), 69-83. https://doi.org/10.1080/13645579.2014.957069

Rojas-Torres, L. (2020). Robustez de los Índices de ajuste del análisis factorial confirmatorio a los valores extremos. Revista de Matemática: Teoría y Aplicaciones, 27(2), 383-404. https://doi.org/10.15517/rmta.v27i2.33677

Schmidt, S. C. E., Gnam, J., Kopf, M., Rathgeber, T., & Woll, A. (2020). The Influence of Cortisol, Flow, and Anxiety on Performance in E-Sports: A Field Study. BioMed Research International, 2020, 9651245. https://doi.org/10.1155/2020/9651245

Schüler, J. (2007). Arousal of Flow Experience in a Learning Setting and its Effects on Exam Performance and Affect. Zeitschrift für Pädagogische Psychologie, 21(3/4), 217-227. https://doi.org/10.1024/1010-0652.21.3.217

Shahian, L., Pishghadam, R., & Khajavy, G. H. (2017). Flow and reading comprehension: Testing the mediating role of emotioncy. Issues in Educational Research, 27(3), 527-549. https://www.iier.org.au/iier27/shahian.pdf

Shaver, L. G., Khawer, A., Yi, Y., Aubrey-Bassler, K., Etchegary, H., Roebothan, B., Asghari, S., & Wang, P., P. (2019). Using Facebook advertising to recruit representative samples: Feasibility assessment of a cross-sectional survey. Journal of Medical Internet Research, 21(8), e14021. https://doi.org/10.2196/14021

Shi, D., & Maydeu-Olivares, A. (2020). The effect of estimation methods on SEM Fit Indices. Educational and Psychological Measurement, 80(3), 421-445. https://doi.org/10.1177/0013164419885164

Tian, Y., Bian, Y., Han, P., Wang, P., Gao, F., & Chen, Y. (2017). Physiological signal analysis for evaluating flow during playing of computer games of varying difficulty. Frontiers in Psychology, 8, 1121. https://doi.org/10.3389/fpsyg.2017.01121

Ventura-León, J. L., & Caycho-Rodríguez, T. (2017). El coeficiente Omega: un método alternativo para la estimación de la confiabilidad. Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 15(1), 625-627. https://www.redalyc.org/articulo.oa?id=77349627039

Viladrich, C., Angulo-Brunet, A. & Doval, E. (2017). A journey around alpha and Omega to estimate internal consistency reliability. Anales de Psicología, 33(3), 755-782. https://doi.org/10.6018/analesps.33.3.268401

Watkins, M. W. (2017). The reliability of multidimensional neuropsychological measures: from alpha to Omega. The Clinical Neuropsychologist, 31(6-7), 1113-1126. https://doi.org/10.1080/13854046.2017.1317364

Welch, T.D. (2020). Is Facebook a viable recruitment tool? Nurse Researcher, 28(2), 9-13. https://doi.org/10.7748/nr.2019.e1682

Zhang, Z., & Yuan, K. (2016). Robust Coefficients Alpha and Omega and Confidence Intervals with Outlying Observations and Missing Data: Methods and Software. Educational and Psychological Measurement, 76(3), 387-411. https://doi.org/10.1177/0013164415594658

Notas de autor

Enviar correspondencia a: Jordan Muiños, F. M. E-mail: federico.jordan@uflouniversidad.edu.ar o fmjordanmuinos@gmail.com

Información adicional

Citar como: Jordan Muiños, F. M., & Simkin, H. (2023). Evidencias de validez de la Escala Corta de Fluidez (FSS) en videojugadores argentinos. Revista Argentina de Ciencias del Comportamiento, 15(3), 72-81

Enlace alternativo

https://revistas.unc.edu.ar/index.php/racc/article/view/33716/44298 (pdf)

IR