Revista de Ciencias Sociales (RCS)

Vol. XXXII, No. 3, Julio-Septiembre 2026. pp. 459-479

FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431

Como citar: Palaco-Vásquez, J. A., y Postigo-Zumarán, J. E. (2026). Capital psicológico, autorregulación y distracción en la procrastinación académica: Aplicación de un modelo de ecuaciones estructurales. Revista De Ciencias Sociales, XXXII(3), 459-479.

Capital psicológico, autorregulación y distracción en la procrastinación académica: Aplicación de un modelo de ecuaciones estructurales

Palaco-Vásquez, Juan Alfredo*

Postigo-Zumarán, Julio Efraín**

Resumen

La procrastinación académica es un comportamiento común entre los estudiantes universitarios, influenciado por factores psicológicos y contextuales. El objetivo fue analizar la influencia del capital psicológico, la autorregulación y la distracción sobre la procrastinación académica en universitarios de Arequipa, Perú. Se empleó un diseño cuantitativo, no experimental y transversal. Participaron 307 estudiantes, quienes completaron un cuestionario de 33 ítems. Se aplicó un modelo de ecuaciones estructurales para analizar las relaciones entre las variables. Los resultados revelan que la distracción tiene un fuerte efecto positivo directo sobre la procrastinación; mientras que el capital psicológico influye indirectamente a través de la autorregulación académica. La autorregulación mostró un efecto negativo moderado sobre la procrastinación. El perfil demográfico de los estudiantes también presentó efectos indirectos significativos. El modelo explicó el 66,51% de la varianza en la procrastinación. Se derivan recomendaciones para incorporar estrategias en la formación universitaria que promuevan la gestión de distracciones digitales y el desarrollo de habilidades de autorregulación, enriqueciendo así el proceso de aprendizaje del alumnado.

Palabras clave: Dilación académica; recursos psicológicos positivos; autorregulación metacognitiva; interferencia tecnológica; capital psicológico.

^* Doctorando en Administración de Empresas por la Universidad Católica de Santa María (UCSM), Arequipa, Perú. Magister en Gestión del Desarrollo y Gerencia Social. Administrador. Docente en la Universidad Tecnológica del Perú, Arequipa, Perú. Docente en la Universidad Continental, Huancayo, Perú. Docente en la Universidad Nacional de San Agustín de Arequipa, Arequipa, Perú. E-mail: 40886161@ucsm.edu.pe ORCID: https://orcid.org/0000-0002-3163-2030

^** Magíster en Educación Superior e Investigación Pedagógica Ingeniero Industrial. Docente Investigador en la Universidad de San Martín de Porres, Filial Sur, Arequipa, Perú. Docente Investigador y Asesor de Tesis de Pregrado y Posgrado en la Universidad Tecnológica del Perú, Arequipa, Perú. Investigador RENACYT. E-mail: c21164@utp.edu.pe ORCID: https://orcid.org/0000-0002-7954-0127 Autor de correspondencia.

Recibido: 2026-02-27 · Aceptado: 2026-05-17

Psychological capital, self-regulation, and distraction in academic procrastination: Application of a structural equation model

Abstract

Academic procrastination is a common behavior among university students, influenced by psychological and contextual factors. The objective was to analyze the influence of psychological capital, self-regulation, and distraction on academic procrastination in university students in Arequipa, Peru. A quantitative, non-experimental, cross-sectional design was used. Three hundred and seven students participated, completing a 33-item questionnaire. A structural equation model was applied to analyze the relationships between the variables. The results reveal that distraction has a strong direct positive effect on procrastination, while psychological capital influences it indirectly through academic self-regulation. Self-regulation showed a moderate negative effect on procrastination. The students’ demographic profile also presented significant indirect effects. The model explained 66.51% of the variance in procrastination. Recommendations are derived for incorporating strategies into university education that promote the management of digital distractions and the development of self-regulation skills, thus enriching the student learning process.

Keywords: Academic procrastination; positive psychological resources; metacognitive self-regulation; technological interference; psychological capital.

Introducción

La procrastinación académica, o posponer tareas académicas relevantes (Ackerman y Gross, 2005; Chun y Choi, 2005; Steel, 2007; Gil et al., 2020), es un fenómeno extendido en educación superior que perjudica el rendimiento y bienestar del alumnado (Steel y Klingsieck, 2016; Hidalgo-Fuentes et al., 2021; Scheunemann et al., 2022; Tisocco y Fernández, 2023; Shi et al., 2024). A pesar de ser un fenómeno común y de sus efectos negativos, poco se sabe de las variables que llevan a la procrastinación académica, sobre todo en un contexto digital (Herut y Gorfu, 2024).

La importancia de estudiar la procrastinación académica tiene sentido por su evidente conexión con el rendimiento académico (Akpur, 2020; Tao et al., 2021) así como por la salud psicológica que viven los estudiantes universitarios (Tao et al., 2021; Tapullima-Mori y Ramírez, 2022; Kaya, 2024). La investigación generada en este campo indica que la procrastinación se relaciona directamente con rendimientos académicos más bajos (Garzón y Gil, 2017; Sun et al., 2023; Muñoz y Curiel, 2025), niveles de estrés y ansiedad más altos (Roshanisefat et al., 2021; Albulescu et al., 2024), y menores niveles de satisfacción con la vida (Kim y Seo, 2015; Uzun et al., 2022; Carranza et al., 2023).

En un mundo global cada vez más competitivo y digitalizado, es importante estudiar la procrastinación para aumentar el rendimiento académico, y para dar a los estudiantes la capacidad de conseguir las habilidades que les permiten afrontar los problemas del futuro.

A pesar de ser un fenómeno comúnmente tratado de manera empírica, existen ciertas cuestiones por resolver acerca del papel que desempeñan el capital psicológico, la autorregulación, así como la distracción, que determinan la creciente procrastinación académica; especialmente el incremento de las distracciones digitales puede suponer una serie de problemas serios para el alumnado universitario, problemas cuya capacidad de involucrar la procrastinación académica ha sido poco considerada en relación al resto de factores psicológicos que influyen en ello.

A su vez, a pesar de que ciertas investigaciones han tratado de considerar estos elementos, la mayoría se han articulado de manera unitaria, sin dar cabida a las interacciones que pueda haber entre los mismos (Yang et al., 2019; Hong et al., 2021; Ghufron y Suminta, 2022; Wiwatowska et al., 2023; Zeng et al., 2024; Xiao et al., 2024). Es belief about learning, and self-regulation in learning on academic procrastination. This quantitative study involves 277 college students. The data collection technique used in this study is a questionnaire in the form of a scale. There are four types of scales used in the data collection process; the scale of belief about knowledge, belief about learning, self-regulation in learning, and academic procrastination. Data analysis technique using structural equation technique. The results show that belief about knowledge affects self-regulation in learning (r =.157, p =.028necesario una comprensión más completa, que incluya tanto sus interrelaciones como sus efectos de manera conjunta.

Se han utilizado cuestionarios validados y que provienen de trabajos anteriores, lo que ha permitido medir de forma adecuada cada una de estas variables (Steel y Klingsieck, 2016); capital psicológico (Luthans et al., 2012); autorregulación (Zimmerman, 2002); y, distracción digital (Rosen et al., 2013), incorporando estos conceptos dentro de un modelo integrador que permita ofrecer una imagen más global de los factores que afectan la procrastinación académica en el contexto universitario actual. Se uso el software Jamovi para analizar los datos recogidos, con la aplicación del SEM basado en covarianza; de este modo, se analizó las relaciones directas e indirectas entre las variables (Hair et al., ٢٠١٣; Kline, ٢٠٢٣).

El propósito del estudio fue analizar la influencia del capital psicológico, autorregulación y distracción sobre la procrastinación académica en estudiantes universitarios, a través de un modelo SEM. Como objetivos específicos, se estudió el efecto mediador de la autorregulación académica y distracción en la relación del capital psicológico con la procrastinación y los efectos indirectos de la variable demográfica sobre la relación entre capital psicológico y procrastinación.

1. Fundamentación teórica

El capital psicológico es un constructo que integra cuatro dimensiones fundamentales: Resiliencia, optimismo, autoeficacia y esperanza; es un estado psicológico de desarrollo positivo que se caracteriza por la creencia en la propia capacidad para planear y llevar a cabo acciones que sean productivas y que estén enfocadas al éxito, una forma optimista de considerar el futuro, la constancia para llevar a cabo determinados logros y la capacidad de recuperarse con rapidez frente a las adversidades (Luthans et al., 2006; Avey et al., 2010; Youssef-Morgan y Luthans, 2013).

En el contexto de alumnos universitarios, el capital psicológico es considerado como un recurso psicológico maleable, que actúa como facilitador de protección frente a las exigencias del desempeño académico. En este sentido, se plantea que, en las circunstancias de elevado requerimiento formativo asociadas a la educación superior en Arequipa-Perú, el capital psicológico funcionaría no solo como predictor del rendimiento académico, sino que además lo haría como un factor mediador de transición entre las circunstancias del entorno y la conducta autorregulada.

La procrastinación o el retraso intencionado, es el acto de retrasar el sueño de una tarea o la finalización de un proyecto o trabajo aun sabiendo que le puede acarrear consecuencias indeseables o poco satisfactorias. Este comportamiento es habitual en los años de formación o de trabajo o cuando hay que afrontar tareas laborales, y tiene un impacto notorio sobre el rendimiento y la motivación de las personas (Steel, 2007; Sirois y Pychyl, 2013; Díaz-Morales y Ferrari, 2015; Yilmaz, 2017).

La procrastinación académica debe ser considerada como un patrón conductual evasivo motivado por la percepción de amenaza emocional frente a una tarea, cuya forma de manifestarse varía en función de los recursos psicológicos de los estudiantes, este comportamiento es la expresión de una desregulación de los procesos de planificación y ejecución, alentada por la exposición a estímulos digitales que compiten con las exigencias académicas.

La autorregulación académica es la capacidad de los estudiantes de llevar a cabo su actividad de aprendizaje de forma autónoma; abarca planificar, monitorear y realizar ajustes a sus estrategias: definir metas, administrar el tiempo, sostener la motivación y adoptar o adaptar los métodos de estudio que los ayude a tener éxito académico (Pintrich, 2004; Zimmerman, 2008; Schunk y Zimmerman, 2008; Collins, 2009; Khan et al., 2020; Alyami et al., 2021; Tapia, 2022; Campos et al., 2023; Buenaño et al., 2023).

La autorregulación académica se entiende al conjunto de procesos de tipo metacognitivo, motivacional y conductual mediante los cuales los estudiantes conducen de forma activa su aprendizaje en dirección a metas fijadas y que hace las veces de principal mecanismo para detener la procrastinación; en poblaciones universitarias que tienen una fuerte exposición digital, la autorregulación se convierte en la variable que distingue a los estudiantes que mantienen su rendimiento de aquellos que caen ante las interferencias que puedan aparecer en el medio.

La distracción se define como el desvío de la atención del objeto o tarea principal en vez de centrarla en estímulos secundarios o irrelevantes que provocan la pérdida de atención. Puede surgir de diferentes fuentes: Dispositivos tecnológicos, redes sociales, entorno físico, entre otras, y tiende a influir negativamente en la atención y el rendimiento académico en los estudiantes (Fried, 2008; Junco y Cotten, 2012; Rosen et al., 2013; Calderwood et al., 2014).

Asimismo, la distracción es una variable mediadora bidireccional: es decir, por un lado, erosiona la autorregulación académica; mientras que, al mismo tiempo, la distracción incrementa la procrastinación, constituyendo así un ciclo de retroalimentación negativa que acaba perjudicando el rendimiento académico.

El perfil demográfico incluye algunas variables: la edad, el sexo y la tenencia de trabajo remunerado; las cuales pueden tener un impacto considerable en el comportamiento y la conducta de las personas en el ámbito académico y laboral. La edad está relacionada con la experiencia y la estabilidad emocional; el sexo, con diferencias en los estilos de afrontamiento; y la tenencia de trabajo, con indicadores de estabilidad y seguridad económica (Avey et al., 2009; Sweetman et al., 2011; Dawkins et al., 2013).

En ese sentido, el perfil demográfico de los estudiantes universitarios no es un determinante del componente procrastinación, puede ser considerado una variable atenuante de los efectos ocasionados por el capital psicológico, la autorregulación y la distracción; en el ámbito universitario arequipeño y considerando las condiciones sociolaborales del estudiante, fundamentalmente la ocupación laboral retribuida, también modifican los efectos que tienen los recursos psicológicos sobre la conducta académica, convirtiendo al perfil demográfico como una variable explicativa indirecta en el modelo estructural.

2. Metodología

2.1. Enfoque metodológico

La investigación se sustenta en una exhaustiva revisión de la literatura y una metodología cuantitativa de tipo no experimental y diseño transversal en el periodo académico que abarca desde el mes de marzo a julio del año 2024. Esta investigación de tipo explicativa desarrolla su metodología, subordinando sus fines y objetivos.

2.2. Muestreo y recojo de datos

Se trabajó con una muestra no probabilística (Alasuutari et al., 2008), integrada por 307 estudiantes de cinco universidades en la ciudad de Arequipa-Perú. La mayoría de los estudiantes provenían de las carreras de Administración de Empresas (40,39%), Administración de Negocios Internacionales (24,10%), y Administración y Marketing (12,70%); mientras que otras profesiones contaban con una representación menor. En cuanto a la edad, el 77,85% de los participantes eran jóvenes menores de 29 años, y el 20,52% correspondían a adultos jóvenes menores de 44 años. En términos de género, el 67,10% eran mujeres y el 32,90% hombres; solo el 67,75% de los participantes contaba con un trabajo remunerado.

2.3. Herramienta de levantamiento de información y variables

El estudio uso un cuestionario formado por 33 indicadores distribuidos en 05 variables: CAPSI (capital psicológico), PRO (procrastinación), ASR (autorregulación académica), DISTRA (distracción) y PDEM (perfil demográfico), los cuales para poder ingresar en el modelo de ecuación estructural fue sometido al análisis factorial exploratorio (Lloret-Segura et al., 2014) y confirmatorio; posteriormente se excluyeron 7 indicadores por tener baja convergencia con sus respectivas variables latentes.

2.4. Trabajo de campo

Para la recopilación y evaluación de datos, se realizó un estudio de campo y se obtuvo el consentimiento informado de jóvenes universitarios de los últimos semestres en carreras relacionadas con negocios, y luego se distribuyeron los cuestionarios. La administración de la información se realizó con la máxima confidencialidad y ajustándose a estándares éticos. Las encuestas se distribuyeron usando las redes sociales de los alumnos y fueron completados en un tiempo aproximado de 20 minutos.

2.5. Análisis de datos

La convergencia del modelo de investigación se llevó a cabo mediante la técnica del modelado de ecuaciones estructurales (SEM) basado en covarianza (una analítica que se considera robusta para análisis de relaciones complejas entre variables latentes y manifiestas y que es apropiada para estudiar interacciones y efectos mediadores) (Hair et al., 2013; Hancock y Mueller, 2013; Hoyle, 2023; Kline, 2023).

El análisis se llevó a cabo con el software estadístico Jamovi versión 2.5.6 (The Jamovi Project, 2024) y la librería lavaan (Rosseel, 2012); se usó el método de estimación DWLS (Mínimo Cuadrados Ponderados Diagonalmente) recomendado para datos de escalas ordinales y distribuciones no-normales, confirmado en el coeficiente de Mardia’s (Bentler, 2006); los valores de asimetría fueron 169.87, curtosis 1044.84, z 43.78, p < 0.001.

El análisis del modelamiento SEM se realizó en dos etapas: Etapa del modelo de medida (que evalúa las características de validez y fiabilidad de las variables latentes) y etapa del modelo estructural (que cuantifica relaciones y efectos directos e indirectos) (Anderson y Gerbing, 1988). La adecuación del modelo se verificó mediante la calibración de los índices de ajuste absolutos, incrementales y comparativos conforme a las recomendaciones de Schermelleh-Engel et al. (2003).

2.6. Modelo de análisis

La procrastinación académica es una variable que impacta negativamente el rendimiento y el bienestar de los estudiantes, aunque es un comportamiento común, sus causas y mecanismos subyacentes aún no se comprenden completamente. Varios estudios han identificado factores como la distracción, el capital psicológico y la autorregulación académica como posibles contribuyentes a la procrastinación.

El modelo teórico queda definido a través de un sistema de ecuaciones estructurales donde se evalúan cinco constructos latentes de gran interés: Capital psicológico (CAPSI), procrastinación (PRO), autorregulación académica (ASR), distracción (DISTRA) y perfil demográfico (PDEM). Las relaciones estructurales propuestas en el modelo incluyen: la procrastinación (PRO), que queda influenciada por la distracción (DISTRA), el capital psicológico (CAPSI) y la autorregulación académica (ASR) y que da lugar a las hipótesis H1, H2 y H3, en base a las relaciones propuestas.

En cuanto a la autorregulación académica (ASR), esta es influenciada por la distracción (DISTRA) y por el capital psicológico (CAPSI) —hipótesis H4 y H5— así como el capital psicológico (CAPSI), por la influencia del perfil demográfico (PDEM) —hipótesis H6— y la distracción (DISTRA), que queda influenciada por el perfil demográfico (PDEM) y por el capital psicológico (CAPSI) —hipótesis H7 y H8.

La Figura I, muestra el modelo de análisis propuesto que integra los cinco constructos latentes nombrados y el cual ha sido estimado mediante la librería lavaan en el programa Jamovi versión 3.5.6.

Fuente: Elaboración propia, 2024.

Figura I: Modelo de investigación

3. Resultados y discusión

3.1. Modelo de medida

Se evaluaron los constructos PDEM, DT1, DT2, RES, OPT, SEL, HOP, PRO, ASR, CAPSI y DISTRA en términos de fiabilidad y validez; la fiabilidad compuesta (CR) de los constructos mostró altos niveles de consistencia interna con valores que superan el umbral recomendado de 0.7 (Fornell y Larcker, 1981) excepto en el factor Perfil demográfico (PDEM) que muestra un valor de 0.55 (ver Tabla 1) corresponde a variable nominal, este factor está compuesto por edad (joven, adulto joven, y adulto), sexo (masculino y femenino) y tenencia de trabajo (si / no) siendo factor interviniente. Además, el Alfa de Cronbach de todas las variables manifiestas posee valores entre 0.78 y 0.93 lo cual refuerza la consistencia interna de los ítems (Cronbach, ١٩٥١).

Tabla 1

Validez y Fiabilidad de los Constructos

Ítems	Constructo/Reactivos	PDEM	DT1	DT2	RES	OPT	SEL	HOP	PRO	ASR	CASPI	DISTRA	Cronbach Alpha(α)	Omega	CR	AVE	VIF
		Factor >0.7											>0.7	>0.7	>0.7	>0.5	<10
PDEM	Perfil demográfico												0.22	0.39	0.55	0.31	1.46
Sex	Sexo	0.25															1.06
P-Vida	Periodo de Vida	0.69															1.89
Working	Trabajo	0.64															1.69
DT1	Dispersión cognitiva												0.78	0.80	0.80	0.67	3.08
TED1	Dispersión en línea		0.68														1.86
TED2	Conversaciones irrelevantes		0.94														9.09
DT2	Interrupción digital												0.85	0.85	0.85	0.59	2.40
TED3	Ver televisión			0.79													2.65
TED4	Jugar videojuegos			0.79													2.66
TED5	Enviar correos			0.63													1.67
TED6	Enviar mensajes			0.83													3.15
RES	Resiliencia												0.88	0.88	0.88	0.65	2.83
RES1	Superar momentos difíciles				0.76												2.33
RES2	Ser autosuficiente				0.81												2.86
RES3	Superar con éxito				0.85												3.68
RES4	Tener energía suficiente				0.80												2.76
OPT	Optimismo												0.87	0.87	0.87	0.68	3.17
OPT1	Ver lado positivo					0.84											3.49
OPT2	Esperar tener éxito					0.82											2.98
OPT3	Lograr deseos académicos					0.82											3.08
SEL	Autoeficacia												0.90	0.90	0.90	0.69	3.19
SEL1	Resolver problemas difíciles						0.80										2.81
SEL2	Obtener lo deseado						0.75										2.29
SEL3	Manejar desafíos académicos						0.85										3.69
SEL4	Superar situaciones imprevistas						0.90										5.29
HOP	Esperanza												0.87	0.87	0.87	0.77	4.36
HOP1	Tener metas académicas							0.90									5.25
HOP2	Fe en mejora							0.86									3.73
PRO	Procrastinación												0.91	0.91	0.91	0.76	4.20
PRO1	Dejar para último								0.88								4.39
PRO2	Postergar trabajos desagradables								0.89								4.87
PRO3	Postergar lecturas aburridas								0.85								3.57
ASR	Autorregulación												0.93	0.93	0.93	0.69	3.22
ASR4	Prepararse para exámenes									0.84							3.42
ASR5	Buscar ayuda inmediatamente									0.84							3.39
ASR6	Asistir regularmente clases									0.77							2.49
ASR7	Completar trabajos pronto									0.87							4.03
ASR8	Mejorar hábitos estudio									0.83							3.27
ASR9	Estudiar temas aburridos									0.82							3.12
CAPSI	Capital Psicológico												.	.	0.97	0.90	9.80
RES	Resiliencia										0.96						13.46
OPT	Optimismo										0.97						19.65
SEL	Autoeficacia										0.94						8.16
HOP	Esperanza										0.92						6.22
DISTRA	Distracción												.	.	0.87	0.78	4.44
DT1	Dispersión cognitiva											0.73					2.15
DT2	Interrupción digital											1.01					1.00

Nota: Validez y fiabilidad de los constructos evidenciado en cargas factoriales, fiabilidad compuesta (CR), varianza media extraida (AVE) y VIF (factor de inflación de la varianza).

Fuente: Elaboración propia, ٢٠٢٤.

En cuanto a la validez convergente, la varianza promedio extraída (AVE) estuvo en un valor mínimo de 0.59 y máximo de 0.90 superando el umbral de 0.5 (Fornell y Larcker, 1981), lo que confirma que los indicadores están correctamente relacionados con sus respectivos constructos. Las cargas factoriales, todas superiores a 0.7 excepto en variable perfil demográfico (ver Tabla 2), y los valores de VIF inferiores a 10 indican una adecuada relación y moderada multicolinealidad entre los indicadores (Hair et al., 2013).

Tabla 2

Validez discriminante: Criterio de Fornell-Larcker

	PDEM	DT1	DT2	RES	OPT	SEL	HOP	PRO	ASR	CAPSI	DISTRA
PDEM	0.5599
DT1	-0.30711	0.8212
DT2	-0.42349	0.73659	0.7662
RES	0.21272	-0.18880	-0.26026	0.8044
OPT	0.21536	-0.19125	-0.26356	0.93720	0.8276
SEL	0.20715	-0.18397	-0.25336	0.90117	0.91263	0.8305
HOP	0.20270	-0.17984	-0.24784	0.88142	0.89252	0.85818	0.8781
PRO	-0.35107	0.64219	0.81024	-0.31418	-0.31810	-0.30582	-0.29918	0.8732
ASR	0.20940	-0.24757	-0.34114	0.64289	0.65094	0.62603	0.61225	-0.39237	0.8290
CAPSI	0.22108	-0.19623	-0.27050	0.96216	0.97406	0.93661	0.91608	-0.32654	0.66817	0.9476
DISTRA	-0.42005	0.73114	1.00746	-0.25823	-0.26157	-0.25163	-0.24598	0.80440	-0.33861	-0.26838	0.8803

Nota: Aplicación del criterio de Fornell-Larcker a variables latentes de primer y segundo orden.

Fuente: Elaboración propia, ٢٠٢٤.

El criterio de Fornell-Larcker es un método ampliamente utilizado para evaluar la validez discriminante en el análisis SEM; este criterio establece que, para asegurar la validez discriminante, la raíz cuadrada de la varianza promedio extraída (AVE) de cada constructo debe ser mayor que las correlaciones entre dicho constructo y cualquier otro constructo en el modelo.

En el análisis, se evaluaron las propiedades de validez discriminante de los constructos PDEM, DT1, DT2, RES, OPT, SEL, HOP, PRO, ASR, CAPSI y DISTRA. Los resultados mostraron que todos los constructos cumplen con el criterio de Fornell y Larcker (1981), excepto las variables latentes de primer orden que integran el capital psicológico (CAPSI).

El constructo de capital psicológico, compuesto por RES, OPT, SEL y HOP, presenta altas correlaciones entre sus dimensiones, esto refleja la cohesión y la naturaleza interdependiente de estas dimensiones, lo cual es esperado y no necesariamente indica un problema con el modelo. Más bien, estas altas correlaciones son una característica inherente de los constructos de segundo orden, que capturan múltiples dimensiones de un mismo concepto teórico, por lo tanto, la estructura final del modelo no fue afectada negativamente por esta observación.

Entonces, puede sostenerse que, el modelo de medida obtenido constituye evidencia psicométrica sólida para el estudio de la procrastinación académica en contextos universitarios latinoamericanos. Los niveles de fiabilidad compuesta (CR ≥ 0.80), varianza media extraída (AVE ≥ 0.59) y la ausencia de multicolinealidad severa (VIF < 10), respaldan la idoneidad del instrumento en poblaciones de educación superior con alta exposición digital. La excepción en el criterio de Fornell-Larcker para las dimensiones del capital psicológico (CAPSI) no representa un defecto del modelo, sino que refleja la naturaleza multidimensional e interdependiente de los recursos psicológicos positivos, lo que es teóricamente esperado en constructos de segundo orden.

3.2. Modelo estructural

La Figura II, muestra el modelo estructural estimado, incluyendo los coeficientes de ruta, las rutas significativas están indicadas por líneas continuas; mientras que las no significativas están indicadas por líneas discontinuas; el modelo incluye cinco constructos latentes CAPSI (capital psicológico), PRO (procrastinación), ASR (auto regulación académica), DISTRA (distracción), y PDEM (perfil demográfico); los coeficientes de ruta muestran que procrastinación está fuertemente influenciada por distracción en línea (0.756); mientras que la autorregulación académica es influenciada por el capital psicológico (0.62). Adicionalmente, se identificaron influencias moderadas entre distracción, capital psicológico y perfil demográfico.

Fuente: Elaboración propia, 2024, a partir de los resultados del análisis estructural.

Figura II: Diagrama del Modelo Estructural con Coeficientes de Ruta

Los resultados de la Tabla 3 respecto a las relaciones estructurales, muestran que:

La hipótesis H1, muestra una influencia positiva fuerte entre la distracción y procrastinación con un coeficiente de ruta de 0.756, un t-valor de 10.620 y un intervalo de confianza [0.6583; 0.853]; de similar forma el capital psicológico muestra una influencia positiva con la autorregulación académica (0.622) con un intervalo de confianza de [0.5897;0.6545] siendo los efectos más significativos. Todas las hipótesis fueron soportadas excepto la H2, no se observa una influencia entre el capital psicológico y la procrastinación del estudiante universitario.

Tabla 3

Resultados de las Relaciones Estructurales

Hipótesis	Efecto sugerido	Descriptor	Coeficiente Paths	t-value	IC	Soportado
H1	+	DISTRA⇒PRO	0.756	10.620	[0.6583;0.853]	SI
H2	-	CAPSI⇒PRO	-0.059	-1.482	[-0.1361;0.0.0188]	NO
H3	-	ASR⇒PRO	-0.097	-1.983	[-0.193; -0.0015]	SI
H4	-	DISTRA⇒ASR	-0.172	-7.419	[-0.2097; -0.0.1336]	SI
H5	+	CAPSI⇒ASR	0.622	20.443	[0.5897;0.6545]	SI
H6	+	PDEM⇒CAPSI	0.221	3.366	[0.1572;0.2850]	SI
H7	-	PDEM⇒DISTRA	-0.380	-3.278	[-0.4894; -0.2699]	SI
H8	-	CAPSI⇒DISTRA	-0.185	-6.805	[-0.2326; -0.1365]	SI

Fuente: Elaboración propia, 2024

Los efectos directos identificados se complementan con un análisis de efectos indirectos que enriquece la comprensión del modelo estructural. La Tabla 4, presenta los parámetros estimados de dichos efectos, incluyendo errores estándar, intervalos de confianza al 95%, coeficientes beta estandarizados (β), valores z y p-value. Los efectos indirectos de mayor magnitud y significación estadística corresponden a las rutas en las que el capital psicológico (CAPSI) y la distracción (DISTRA) ejercen influencia sobre la procrastinación académica (PRO), lo que confirma el rol mediador de la autorregulación académica (ASR) en dichas relaciones. El capital psicológico y la distracción juegan roles cruciales en la reducción de la procrastinación, tanto directamente como a través de la autorregulación académica. Además, el perfil demográfico tiene algunos efectos indirectos significativos, especialmente a través de la distracción.

Tabla 4

Efectos indirectos de las Relaciones Estructurales

		β ٩٥٪ IC
Descripción	β	Inferior	Superior	z	p
DISTRA ⇒ ASR ⇒ PRO	0.0167	0.0018	0.0315	2.2008	0.0277
CAPSI ⇒ ASR ⇒ PRO	-0.0605	-0.1208	-0.0002	-1.9627	0.0497
CAPSI ⇒ DISTRA ⇒ PRO	-0.1395	-0.1832	-0.0957	-6.1372	< .0001
CAPSI ⇒ DISTRA ⇒ ASR ⇒ PRO	-0.0031	-0.0059	-0.0003	-2.1325	0.033
PDEM ⇒ CAPSI ⇒ PRO	-0.013	-0.0304	0.0045	-1.3648	0.1723
PDEM ⇒ CAPSI ⇒ ASR ⇒ PRO	-0.0134	-0.0274	0.0006	-1.6866	0.0917
PDEM ⇒ CAPSI ⇒ DISTRA ⇒ PRO	-0.0308	-0.0395	-0.0222	-3.7385	0.0002
PDEM ⇒ CAPSI ⇒ DISTRA ⇒ ASR ⇒ PRO	-0.0007	-0.0013	-0.0001	-1.9284	0.0538
PDEM ⇒ DISTRA ⇒ PRO	-0.2869	-0.3774	-0.1965	-3.2709	0.0011
PDEM ⇒ DISTRA ⇒ ASR ⇒ PRO	-0.0063	-0.0123	-0.0004	-1.8376	0.0661

Fuente: Elaboración propia, 2024.

Los efectos indirectos de la red estructural exponen patrones relevantes en la relación entre variables. En este sentido, la distracción (DISTRA) presenta un efecto indirecto sobre la procrastinación (PRO) a través de la autorregulación académica (ASR) de forma que, al disminuir la capacidad autorreguladora de la persona que está estudiando aumenta lógicamente la procrastinación. El capital psicológico (CAPSI) exhibe ser un factor protector: disminuye la procrastinación al fortalecer la ASR y al mismo tiempo disminuye la distracción (DISTRA), lo que permite dar cuenta de un efecto indirecto negativo de doble ruta sobre la procrastinación.

La variable perfil demográfico (PDEM) incide en la procrastinación a través de sus efectos sobre el CAPSI, la DISTRA y la ASR y, aunque no todas esas trayectorias añaden el mismo grado estadístico, quedan abiertas a la normalidad en la dirección de que el perfil demográfico modula más que determina la procrastinación.

En cuanto a la medida del valor R², este valor, el coeficiente de la determinación, da cuenta de la proporción de la varianza de la variable dependiente explicada por las variables independientes en el modelo. Un valor R² al que se acerca mucho más a 1 significa que el modelo explica la mayor parte de la varianza de la variable dependiente; un valor a un R² próximo a 0 indica que el modelo apenas es capaz de explicar la varianza (Henseler et al., 2015), en modelos SEM, R² es crucial para evaluar el poder explicativo del modelo y su capacidad para representar la realidad subyacente (Kline, 2023).

La Tabla 5, muestra la combinación de CAPSI y DISTRA, explica una parte significativa de la varianza en PRO (66,51%), esta misma combinación tiene una influencia moderada en ASR (47,38%). Por otra parte, la interacción entre PDEM y CAPSI explica una cantidad moderada de la varianza en DISTRA (20,92%), lo que sugiere que ambos factores contribuyen a la distracción, aunque hay otros factores no contemplados en el modelo que también juegan un papel relevante. El PDEM tiene una influencia muy limitada en CAPSI (4,89%), lo que indica que existen otras variables demográficas que podrían explicar el capital psicológico de un estudiante.

Tabla 5

Valores de R²

Variable	R²
CAPSI+DISTRA-->PRO	0.6651
CAPSI+DISTRA--->ASR	0.4738
PDEM--->CASPI	0.0489
PDEM+CAPSI--->DISTRA	0.2092

Fuente: Elaboración propia, 2024

3.3. Indicadores de ajuste del modelo

Como se muestra en la Tabla 6, el modelo demuestra un ajuste excelente. El valor de chi-cuadrado (χ²) es 294 con un valor p de 1.00, indicando un buen ajuste global del modelo al no rechazar la hipótesis nula de un ajuste adecuado (Bollen, 1989). La relación χ²/df de 0.70 también se encuentra dentro del rango de buen ajuste, sugiriendo una baja cantidad de error relativa a la libertad de los parámetros del modelo (Kline, 2023). El RMSEA de 0.000 está dentro del umbral de ajuste bueno, no demuestra errores significativos en la estimación de los parámetros (Browne y Cudeck, 1992). El SRMR de 0.052 confirma un buen ajuste, reflejando una baja discrepancia entre las correlaciones observadas y las predichas (Hu y Bentler, 1999).

Tabla 6

Indicadores de Ajuste del Modelo

Fit Measure	Valor modelo	Umbral de aceptación
		Goof Fit	Acceptable Fit
χ٢	294.016	0 ≤ χ2 ≤ 2df	2df < χ2 ≤ 3df
p value	1.000	0.05 < p ≤ 1.00	0.01 ≤ p ≤ 0.05
χ٢/df	0.700	0 ≤ χ2/df ≤ 2	2 < χ2/df ≤ 3
RMSEA	0.000	0 ≤ RMSEA ≤ .05	0.05 < RMSEA ≤ 0.08
SRMR	0.052	0 ≤ SRMR ≤ .05	0.05 < SRMR ≤ 0.10
NFI	0.980	0.95 ≤ NFI ≤ 1.00	0.90 ≤ NFI < 0.95
NNFI	1.010	0.97 ≤ NNFI ≤ 1.00	0.95 ≤ NNFI < 0.97
CFI	1.000	0.97 ≤ CFI ≤ 1.00	0.95 ≤ CFI < 0.97
GFI	0.997	0.95 ≤ GFI ≤ 1.00	0.90 ≤ GFI < 0.95
AGFI	0.997	0.90 ≤ AGFI ≤ 1.00	0.85 ≤ AGFI ≤ 0.90

Fuente: Elaboración propia, 2024, adaptado de Schermelleh-Engel et al. (2003).

Los índices de ajuste normado (NFI) y no normado (NNFI) son 0.980 y 1.010 respectivamente, con NNFI indicando un ajuste superior (Marsh et al., 1988). El CFI de 1.000 y los índices de ajuste GFI y AGFI, con valores de 0.997, refuerzan la calidad del modelo al capturar adecuadamente la proporción de covarianza en los datos (Jöreskog y Sörbom, 1982; Bentler, 1990), se valida la robustez del modelo estructural para explicar las relaciones entre los constructos analizados.

Uno de los resultados más destacados de este estudio es la significativa relación positiva existente entre la distracción y la procrastinación (β = 0.756, p < 0.001). Los estudiantes que sufren mayores niveles de distracción, especialmente en los ambientes digitales, son más propensos a procrastinar en sus actividades académicas. El resultado encontrado es coherente con investigaciones previas que han apuntado la distracción como uno de los factores más destacados de la procrastinación académica (Steel y Klingsieck, 2016; Reinecke et al., 2018).

En la actualidad, donde los estudiantes son constantemente expuestos a diversas distracciones en línea, el resultado encontrado subraya la urgencia de desarrollar estrategias adecuadas para controlar dichas distracciones. Tal y como señalan Rosen et al. (2013), el uso elevado de tecnología y la multitarea constante pueden resultar en la disminución de la atención y la concentración, lo que a su vez puede ejercer un papel fortalecedor de la procrastinación. Esta relación hallada o efecto sugiere que puede ser conveniente realizar intervenciones que se centren en la reducción de distracción, la cual puede ser especialmente digital, para combatir la procrastinación académica.

No se encontraron efectos directos significativos del capital psicológico sobre la procrastinación (β = -0.059, p > 0.05), tal y como ha apuntado parte de la literatura a lo largo de estos últimos años, afirmando incluso la existencia de una relación directa entre el capital psicológico y la reducción de la procrastinación (Saman y Wirawan, 2021). El capital psicológico mostró un fuerte efecto positivo sobre la autorregulación académica (β = 0.622, p < 0.001), la cual a su vez muestra un efecto negativo significativo sobre la procrastinación (β = -0.097, p < 0.05).

El capital psicológico podría influir indirectamente en una menor procrastinación a través de la autorregulación de los estudiantes. Este resultado ha sido anteriormente descrito por diferentes estudios que demuestran la relación entre el capital psicológico, la autorregulación académica y el rendimiento académico (Luthans et al., 2012; Siu et al., 2014). La relación indirecta entre el capital psicológico y la procrastinación que pasó por la autorregulación académica, señala que se trata de constructos con una relación más compleja de lo que parece e invita a la consideración de efectos mediadores en los estudios que se ocupan de estos temas.

En todo caso, la autorregulación académica también tuvo un efecto directo negativo sobre la procrastinación, si bien más bien de magnitud moderada (β = -0.097, p < 0.05), esto apoya la idea de que los estudiantes que poseen un mayor grado de habilidades de autorregulación, por lo general, son menos propensos a realizar procrastinación, el cual es el hallazgo que está alineado con la literatura existente sobre este aspecto (Wolters y Hussain, 2015; Zhu et al., 2020). La autorregulación hace referencia a la auto capacidad de los estudiantes para programar, supervisar y evaluar su aprendizaje con lo cual se puede combatir la procrastinación.

La magnitud relativamente pequeña de los efectos de la autorregulación muestra que otras variables como la distracción pueden tener un efecto más relevante en la procrastinación. Aunque trabajar las habilidades de autorregulación es un aspecto importante, no es suficiente para afrontar la procrastinación académica, lo que plantea la necesidad de un abordaje más integral a la hora de tener en cuenta múltiples variables de manera simultánea.

El perfil demográfico de los estudiantes mostró efectos indirectos sobre la procrastinación a través de su ciclo influyente en el capital psicológico y la distracción. El compromiso de añadir aspectos demográficos y contextuales al analizar la procrastinación académica, uno de los aspectos que a menudo queda olvidado en estudios previos de la procrastinación (Steel y Klingsieck, 2016) y aspectos como la edad, género y situación laboral, podrían influir en la manera en que los estudiantes se comportan y se enfrentan a la procrastinación, por ejemplo, los estudiantes que trabajan pueden enfrentarse a múltiples dificultades a la hora de gestionar el tiempo y el estrés que podrían estar relacionados con la procrastinación.

Un hallazgo interesante es el efecto negativo del capital psicológico sobre la distracción (β = -0.185, p < 0.001), que permitiría suponer que aquellos estudiantes que poseen mayores niveles de capital psicológico pueden ser más resistentes a las distracciones, es un mecanismo adicional por el que el capital psicológico tendría un efecto que disminuye la procrastinación de forma indirecta. Este hallazgo responde a la investigación llevada a cabo por Sarwar y Rahman (2017), donde se indica que el capital psicológico puede ayudar a las personas a manejar mejor las distracciones y a centrarse en sus tareas.

El modelo explica un 66,51% de la varianza en la procrastinación (R² = 0.6651), mostrando que el modelo tiene un alto poder explicativo y da una explicación integral de la causa – procrastinación; sin embargo, también significaría la existencia de otros factores no considerados, tales como la ansiedad académica y la motivación intrínseca. Las conclusiones resaltan la complejidad de la procrastinación académica y la necesidad de adoptar un enfoque multidimensional que se incorpore aspectos psicológicos, conductuales y contextuales, y tenga en cuenta tanto las disposiciones individuales como el entorno académico en el que se encuentran los estudiantes.

Ante la influencia de la distracción sobre la procrastinación es recomendable que, se establezcan programas que ayuden a los estudiantes para gestionar las distracciones digitales, dichos programas incluirían talleres de gestión del tiempo, formas de concentración y uso responsable de tecnología para promover que la red esté al servicio de los estudiantes y no a la inversa, así como instruir en las herramientas para que aprendan a enfrentarse a los desafíos del entorno educativo digital. A pesar de que el capital psicológico no estuvo directamente relacionado con la procrastinación, su efecto en la autorregulación académica lleva a pensar que la promoción del desarrollo de este puede ser una forma de disminuir dicha procrastinación.

Las universidades pueden implementar intervenciones que potencien la autoeficacia, el optimismo, la esperanza y la resiliencia de sus estudiantes, con intervenciones similares a algunas de las propuestas por Luthans et al. (2006); estas intervenciones pueden estar integradas dentro de programas de información académica o de desarrollo de habilidades personales, potenciando el desarrollo de los recursos psicológicos que tienen los estudiantes para afrontar la demanda académica.

Las instituciones educativas se deberían plantear la inclusión de la enseñanza de forma explícita de estrategias de autorregulación en los currículos, partiendo de modelos que ya están establecidos, como el que propone Zimmerman (2002), lo cual hace hincapié en los procesos de planificación, monitorización y evaluación de su propio aprendizaje. Esa enseñanza e integración de las citadas habilidades puede beneficiar a los estudiantes a la hora de tener unos hábitos de estudio más eficaces, gestionando mejor su tiempo y recursos.

Los efectos indirectos que presenta el perfil demográfico, indican que, las intervenciones contra la procrastinación deben considerar, debido a su importancia, variables personales de gran relevancia como la edad, el género o la situación laboral, lo que implica diseñar programas que respondan a las características que tienen estos grupos.

La investigación muestra que la procrastinación es un fenómeno que puede explicarse por una serie de razones del momento, de forma que para los tratamientos más óptimos se debe tener en cuenta una serie de medidas que evidencien la latencia del control ante distracciones, la posibilidad de fortalecer el capital psicológico y la autorregulación. Pero en cuanto a sus limitaciones, dado que el estudio es de carácter transversal, no se puede considerar si existe o no relación causal, por lo que se recomienda utilizar diseños longitudinales en futuras investigaciones.

Otra limitación es la posibilidad de generalización de la muestra no probabilística en la que se sustentó la investigación, por lo que se recomienda que los estudios futuros hagan uso de muestras más representativas; de la misma manera, el recojo de información mediante el cuestionario auto-informado es un agente más, para considerar y se sugiere que se incluyan otras medidas conductuales objetivas para presentar al menos la imagen que de las diferencias entre los grupos existe.

Por otra parte, a pesar de que el modelo explica la mayor parte de la varianza disponible en la procrastinación, queda una parte de la varianza por explicar que hace recomendable la investigación de otros factores del carácter, estrategias de afrontamiento o motivaciones. En cuanto a la medida de la distracción, sólo se midió la de tipo digital y en estudios futuros se sugiere también que se midan otras fuentes de distracción que son propias del grupo social en el que se inscribe el grupo objeto de estudio.

Conclusiones

Este estudio buscó comprender la procrastinación académica desde una perspectiva integradora, analizando cómo el capital psicológico, la autorregulación y la distracción se relacionan entre sí y con la procrastinación, y cómo estas relaciones varían según las características demográficas de los estudiantes. Los resultados muestran que la distracción digital es el predictor directo más fuerte de la procrastinación; mientras que el capital psicológico actúa de forma indirecta, principalmente fortaleciendo la autorregulación académica. Esta última, si bien contribuye a reducir la procrastinación, lo hace con un efecto moderado, lo que sugiere que las intervenciones orientadas a la autorregulación deben complementarse con estrategias que aborden también el manejo de las distracciones.

El perfil demográfico mostró efectos indirectos sobre la procrastinación, aunque de menor magnitud, lo que indica que el contexto social y laboral de los estudiantes debe tenerse en cuenta al diseñar programas de intervención. El uso del SEM permitió capturar estas relaciones de manera simultánea, lo que lo convierte en una herramienta adecuada para el estudio de comportamientos académicos complejos.

En cuanto al aporte del estudio, ofrece evidencia empírica sobre cómo interactúan el capital psicológico, la autorregulación y la distracción digital en universitarios latinoamericanos, un contexto donde este tipo de investigaciones con SEM es todavía escaso. El modelo puede replicarse en otras instituciones de educación superior de la región. Entre las limitaciones, el diseño transversal impide establecer relaciones causales, la muestra no es probabilística y el uso de autoinformes introduce riesgo de sesgo por deseabilidad social.

Para futuras investigaciones se recomienda incorporar diseños longitudinales que permitan observar la evolución de la procrastinación a lo largo de ciclos académicos, utilizar muestras probabilísticas y multi-institucionales, e incluir variables mediadoras adicionales como la ansiedad académica y la motivación intrínseca, así como realizar análisis comparativos entre distintas áreas del conocimiento.

Referencias bibliográficas

Ackerman, D. S., y Gross, B. L. (2005). My instructor made me do it: Task characteristics of procrastination. Journal of Marketing Education, 27(1), 5-13. https://doi.org/10.1177/0273475304273842

Akpur, U. (2020). The effect of procrastination on academic achievement: A meta-analysis study. International Journal of Educational Methodology, 6(4), 681-690. https://doi.org/10.12973/ijem.6.4.681

Alasuutari, P., Bickman, L., y Brannen, J. (2008). The Sage handbook of social research methods. SAGE Publications.

Albulescu, I., Labar, A.-V., Manea, A.-D., y Stan, C. (2024). The mediating role of cognitive test anxiety on the relationship between academic procrastination and subjective wellbeing and academic performance. Frontiers in Public Health, 12, 1336002. https://doi.org/10.3389/fpubh.2024.1336002

Alyami, A., Abdulwahed, A., Azhar, A., Binsaddik, A., y Bafaraj, S. M. (2021). Impact of time-management on the student's academic performance: A cross-sectional study. Creative Education, 12(3), 471-485. https://doi.org/10.4236/ce.2021.123033

Anderson, J. C., y Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411-423. https://doi.org/10.1037/0033-2909.103.3.411

Avey, J. B., Luthans, F., Smith, R. M., y Palmer, N. F. (2010). Impact of positive psychological capital on employee well-being over time. Journal of Occupational Health Psychology, 15(1), 17-28. https://doi.org/10.1037/a0016998

Avey, J. B., Luthans, F., y Jensen, S. M. (2009). Psychological capital: A positive resource for combating employee stress and turnover. Human Resource Management, 48(5), 677-693. https://doi.org/10.1002/hrm.20294

Bentler, P. M. (1990). Comparative fit indexes in structural models. Psychological Bulletin, 107(2), 238-246. https://doi.org/10.1037/0033-2909.107.2.238

Bentler, P. M. (2006). EQS 6 structural equations program manual. Multivariate Software.

Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons. https://doi.org/10.1002/9781118619179

Browne, M. W., y Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological Methods & Research, 21(2), 230-258. https://doi.org/10.1177/0049124192021002005

Buenaño, N. A., Palacios, C. Y., Soplapuco, J. P., y Reluz, F. F. (2023). Importancia de la motivación para el aprendizaje universitario: Una revisión integradora. Revista de Ciencias Sociales (Ve), XXIX(4), 371-385. https://doi.org/10.31876/rcs.v29i4.41261

Calderwood, C., Ackerman, P. L., y Conklin, E. M. (2014). What else do college students "do" while studying? An investigation of multitasking. Computers & Education, 75, 19-29. https://doi.org/10.1016/j.compedu.2014.02.004

Campos, L. L., Jaimes, M. Á., Villavicencio, M. D. C., y Sánchez-Chero, M. (2023). Motivación laboral y estrategias de afrontamiento al estrés en docentes universitarios. Revista de Ciencias Sociales (Ve), XXIX(E-7), 266-276. https://doi.org/10.31876/rcs.v29i.40468

Carranza, R. F., Mamani-Benito, O., Castillo-Blanco, R., Caycho-Rodríguez, T., Villafuerte, A. S., y Dávila, R. (2023). Effect of emotional exhaustion on satisfaction with studies and academic procrastination among Peruvian university students. Frontiers in Education, 8, 1015638. https://doi.org/10.3389/feduc.2023.1015638

Chun, A. H., y Choi, J. N. (2005). Rethinking procrastination: Positive effects of "active" procrastination behavior on attitudes and performance. The Journal of Social Psychology, 145(3), 245-264. https://doi.org/10.3200/SOCP.145.3.245-264

Collins, N. (2009). Motivation and Self-Regulated Learning:Theory, Research, and Applications (review). The Journal of Higher Education, 80(4), 476-479. https://dx.doi.org/10.1353/jhe.0.0057

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334. https://doi.org/10.1007/BF02310555

Dawkins, S., Martin, A., Scott, J., y Sanderson, K. (2013). Building on the positives: A psychometric review and critical analysis of the construct of psychological capital. Journal of Occupational and Organizational Psychology, 86(3), 348-370. https://doi.org/10.1111/joop.12007

Díaz-Morales, J., y Ferrari, J. (2015). More time to procrastinators: The role of time perspective. In M. Stolarski, N. Fieulaine, y W. Van Beek (Eds.), Time perspective theory: Review, research and application. Essays in honor of Philip G. Zimbardo (pp. 305-321). Springer International Publishing. https://doi.org/10.1007/978-3-319-07368-2_20

Fornell, C., y Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.2307/3151312

Fried, C. B. (2008). In-class laptop use and its effects on student learning. Computers & Education, 50(3), 906-914. https://doi.org/10.1016/j.compedu.2006.09.006

Garzón, A., y Gil, J. (2017). The role of academic procrastination as factor of university abandonment. Revista Complutense de Educación, 28(1), 307-324. https://doi.org/10.5209/rev_RCED.2017.v28.n1.49682

Ghufron, M. N., y Suminta, R. R. (2022). The role of epistemological belief and self regulation in academic procrastination of Muslim college students. Islamic Guidance and Counseling Journal, 5(2), 104-118. https://journal.iaimnumetrolampung.ac.id/index.php/igcj/article/view/2700/1051

Gil, J., De Besa, M. R., y Garzón, A. (2020). ¿Por qué procrastina el alumnado universitario? Análisis de motivos y caracterización del alumnado con diferentes tipos de motivaciones. Revista de Investigación Educativa, 38(1), 183-200. https://doi.org/10.6018/rie.344781

Hair, J. F., Black, W. C., Babin, B. J., y Anderson, R. E. (2013). Multivariate data analysis: A global perspective. Pearson Education Limited.

Hancock, G. R., y Mueller, R. O. (2013). Structural equation modeling: A second course. Information Age Publishing.

Henseler, J., Ringle, C. M., y Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Herut, A. H., y Gorfu, Y. A. (2024). Academic procrastination among PhD students in Ethiopia: An examination of prevalence, associated factors and coping mechanisms. Social Sciences and Humanities Open, 9, 100854. https://doi.org/10.1016/j.ssaho.2024.100854

Hidalgo-Fuentes, S., Martínez-Álvarez, I., y Sospedra-Baeza, M. J. (2021). Academic performance in Spanish undergraduates: The role of personality and academic procrastination. European Journal of Education and Psychology, 14(1), e1533. https://doi.org/10.32457/ejep.v14i1.1533

Hong, J.-C., Lee, Y.-F., y Ye, J.-H. (2021). Procrastination predicts online self-regulated learning and online learning ineffectiveness during the coronavirus lockdown. Personality and Individual Differences, 174, 110673. https://doi.org/10.1016/j.paid.2021.110673

Hoyle, R. H. (2023). Handbook of structural equation modeling. The Guilford Press.

Hu, L.-T., y 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

Jöreskog, K. G., y Sörbom, D. (1982). Recent developments in structural equation modeling. Journal of Marketing Research, 19(4), 404-416. https://doi.org/10.1177/002224378201900402

Junco, R., y Cotten, S. R. (2012). No A 4 U: The relationship between multitasking and academic performance. Computers & Education, 59(2), 505-514. https://doi.org/10.1016/j.compedu.2011.12.023

Kaya, B. (2024). Smartphone addiction and psychological wellbeing among adolescents: The multiple mediating roles of academic procrastination and school burnout. British Journal of Guidance and Counselling, 52(5), 815-829. https://doi.org/10.1080/03069885.2024.2304208

Khan, M., Ashraf, A., y Nadeem, A. (2020). The effect of time management on the academic performance of students in the higher educational institutions of Islamabad. International Review of Management and Business Research, 9(3), 202-211. https://doi.org/10.30543/9-3(2020)-16

Kim, K. R., y Seo, E. H. (2015). The relationship between procrastination and academic performance: A meta-analysis. Personality and Individual Differences, 82, 26-33. https://doi.org/10.1016/j.paid.2015.02.038

Kline, R. (2023). Principles and practice of structural equation modeling. The Guilford Press.

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., y Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: Una guía práctica, revisada y actualizada. Anales de Psicología, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361

Luthans, B. C., Luthans, K. W., y Jensen, S. M. (2012). The impact of business school students' psychological capital on academic performance. Journal of Education for Business, 87(5), 253-259. https://doi.org/10.1080/08832323.2011.609844

Luthans, F., Youssef, C. M., y Avolio, B. J. (2006). Psychological capital: Developing the human competitive edge. Oxford University Press.

Marsh, H. W., Balla, J. R., y McDonald, R. P. (1988). Goodness-of-fit indexes in confirmatory factor analysis: The effect of sample size. Psychological Bulletin, 103(3), 391-410. https://doi.org/10.1037/0033-2909.103.3.391

Muñoz, D., y Curiel, R. Y. (2025). Evaluación integral del comportamiento académico en estudiantes de Psicología de la Universidad de La Guajira-Colombia. Revista de Ciencias Sociales (Ve), XXXI(3), 191-205. https://doi.org/10.31876/rcs.v31i3.44277

Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-regulated learning in college students. Educational Psychology Review, 16(4), 385-407. https://doi.org/10.1007/s10648-004-0006-x

Reinecke, L., Meier, A., Aufenanger, S., Beutel, M. E., Dreier, M., Quiring, O., Stark, B., Wölfling, K., y Müller, K. W. (2018). Permanently online and permanently procrastinating? The mediating role of Internet use for the effects of trait procrastination on psychological health and well-being. New Media & Society, 20(3), 862-880. https://doi.org/10.1177/1461444816675437

Rosen, L. D., Whaling, K., Carrier, L. M., Cheever, N. A., y Rokkum, J. (2013). The Media and Technology Usage and Attitudes Scale: An empirical investigation. Computers in Human Behavior, 29(6), 2501-2511. https://doi.org/10.1016/j.chb.2013.06.006

Roshanisefat, S., Azizi, S. M., y Khatony, A. (2021). Investigating the relationship of test anxiety and time management with academic procrastination in students of health professions. Education Research International, 2021, 1378774. https://doi.org/10.1155/2021/1378774

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

Saman, A., y Wirawan, H. (2021). Examinando el impacto del capital psicológico en el rendimiento académico y laboral: Los roles de la procrastinación y la escrupulosidad. Cogent Psychology, 8(1), 1938853. https://doi.org/10.1080/23311908.2021.1938853

Sarwar, F., y Rahman, S. A. B. P. A. (2017). Psychological capital, a unique resource to develop effective managers; Relationship with creativity, achievement motivation and stress.  Advanced Science Letters, 23(9), 8598-8602. https://doi.org/10.1166/asl.2017.9936

Schermelleh-Engel, K., Moosbrugger, H., y Müller, H. (2003). Evaluating the fit of structural equation models: Tests of significance and descriptive goodness-of-fit measures. Methods of Psychological Research Online, 8(2), 23-74. https://doi.org/10.23668/psycharchives.12784

Scheunemann, A., Schnettler, T., Bobe, J., Fries, S., y Grunschel, C. (2022). A longitudinal analysis of the reciprocal relationship between academic procrastination, study satisfaction, and dropout intentions in higher education. European Journal of Psychology of Education, 37(4), 1141-1164. https://doi.org/10.1007/s10212-021-00571-z

Schunk, D. H., y Zimmerman, B. J. (2008). Motivation and self-regulated learning: Theory, research, and applications. Routledge. https://doi.org/10.4324/9780203831076

Shi, Y., Lin, Y., y Yu, Z. (2024). The effects of need satisfaction on active academic procrastination and the mediating roles of academic buoyancy and self-regulated learning. Current Psychology, 43(24), 21096-21109. https://doi.org/10.1007/s12144-024-05916-7

Sirois, F., y Pychyl, T. (2013). Procrastination and the priority of short-term mood regulation: Consequences for future self. Social and Personality Psychology Compass, 7(2), 115-127. https://doi.org/10.1111/spc3.12011

Steel, P. (2007). The nature of procrastination: A meta-analytic and theoretical review of quintessential self-regulatory failure. Psychological Bulletin, 133(1), 65-94. https://doi.org/10.1037/0033-2909.133.1.65

Steel, P., y Klingsieck, K. B. (2016). Academic procrastination: Psychological antecedents revisited. Australian Psychologist, 51(1), 36-46. https://doi.org/10.1111/ap.12173

Sun, T., Huynh, R., y Kim, J.-E. (2023). Academic procrastination as a mediator between learning environment and academic performance. Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 67(1), 1578-1582. https://doi.org/10.1177/21695067231192638

Sweetman, D., Luthans, F., Avey, J. B., y Luthans, B. C. (2011). Relationship between positive psychological capital and creative performance. Canadian Journal of Administrative Sciences, 28(1), 4-13. https://doi.org/10.1002/cjas.175

Tao, X., Hanif, H., Ahmed, H. H., y Ebrahim, N. A. (2021). Bibliometric analysis and visualization of academic procrastination. Frontiers in Psychology, 12, 722332. https://doi.org/10.3389/fpsyg.2021.722332

Tapia, H. (2022). Aprendizaje cognoscitivo impulsor de la autorregulación en la construcción del conocimiento. Revista de Ciencias Sociales (Ve), XXVIII(E-5), 172-183. https://doi.org/10.31876/rcs.v28i.38154

Tapullima-Mori, C., y Ramírez, G. (2022). Academic procrastination and psychological well-being in college students during virtual classes. Sapienza, 3(1), 96-105. https://doi.org/10.51798/sijis.v3i1.210

The Jamovi Project (2024). Jamovi (versión 2.4) [Software]. https://www.jamovi.org

Tisocco, F., y Fernández, M. (2023). Structural relationships between procrastination, academic motivation, and academic achievement within university students: A self-determination theory approach. Innovative Higher Education, 48(2), 351-369. https://doi.org/10.1007/s10755-022-09622-9

Uzun, B., LeBlanc, S., Guclu, I. O., Ferrari, J. R., y Aydemir, A. (2022). Mediation effect of family environment on academic procrastination and life satisfaction: Assessing emerging adults. Current Psychology, 41(2), 1124-1130. https://doi.org/10.1007/s12144-021-02652-0

Wiwatowska, E., Pietruch, M., Katafoni, P., y Michałowski, J. M. (2023). "I can't focus now, I will study tomorrow" - The link between academic procrastination and resistance to distraction. Learning and Individual Differences, 107, 102364. https://doi.org/10.1016/j.lindif.2023.102364

Wolters, C. A., y Hussain, M. (2015). Investigating grit and its relations with college students' self-regulated learning and academic achievement. Metacognition and Learning, 10(3), 293-311. https://doi.org/10.1007/s11409-014-9128-9

Xiao, H., Mao, J., Chen, J., Wei, J., He, J., y Nie, Y. (2024). The mediation roles of self-regulation and problematic internet use: How maladaptive parenting during the COVID-19 pandemic influenced adolescents' academic procrastination in the postpandemic era. Journal of Adolescence, 96(7), 1458-1472. https://doi.org/10.1002/jad.12355

Yang, Z., Asbury, K., y Griffiths, M. D. (2019). An exploration of problematic smartphone use among Chinese university students: Associations with academic anxiety, academic procrastination, self-regulation and subjective wellbeing. International Journal of Mental Health and Addiction, 17(3), 596-614. https://doi.org/10.1007/s11469-018-9961-1

Yilmaz, M. B. (2017). The relation between academic procrastination of university students and their assignment and exam performances: The situation in distance and face-to-face learning environments. Journal of Education and Training Studies, 5(9), 146-157. https://doi.org/10.11114/jets.v5i9.2545

Youssef-Morgan, C. M., y Luthans, F. (2013). Psychological capital theory: Toward a positive holistic model. In A. B. Bakker (Ed.), Advances in positive organizational psychology (Vol. 1, pp. 145-166). Emerald Group Publishing Limited. https://doi.org/10.1108/S2046-410X(2013)0000001009

Zeng, L., Wang, J., Liu, G., Yuan, Z., Li, L., y Peng, Y. (2024). Rumination, psychological capital and academic procrastination among nursing students: A cross-sectional study. Nurse Education Today, 137, 106170.

Zhu, Y., Zhang, J. H., Au, W., y Yates, G. (2020). University students' online learning attitudes and continuous intention to undertake online courses: A self-regulated learning perspective. Educational Technology Research and Development, 68(3), 1485-1519. https://doi.org/10.1007/s11423-020-09753-w

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64-70. https://doi.org/10.1207/s15430421tip4102_2

Zimmerman, B. J. (2008). Investigating self-regulation and motivation: Historical background, methodological developments, and future prospects. American Educational Research Journal, 45(1), 166-183. https://doi.org/10.3102/0002831207312909