|
Páginas: 256-266 Recibido: 2023-01-24 Revisado: 2023-02-15 Aceptado: 2023-06-29 Preprint: 2023-07-31 Publicación
Final: 2023-09-01 |
|
|
Alexandre
Hijarro-Vercher |
||
|
Joan
Josep Solaz-Portolés |
||
|
Vicente Sanjosé
López |
Resumen
La utilización de problemas verbales totalmente
resueltos es práctica habitual en las aulas de ciencias de la educación
secundaria. Dada la escasez de estudios sobre la detección de errores en
problemas resueltos de ciencias, los objetivos de esta investigación se
centraron en la habilidad de detectar errores en problemas resueltos y en los
efectos sobre esta habilidad de la creatividad científica, las destrezas
metacognitivas, la autoeficacia en el aprendizaje las ciencias, el nivel
académico y el género. Para ello, se llevó a cabo una investigación
cuantitativa ex post facto de carácter transversal. Participaron 139
estudiantes (74 mujeres y 65 hombres) de 3º y 4º de Educación Secundaria Obligatoria (ESO) , y 1º de Bachillerato (14-17 años). A todos ellos se les
administró un cuestionario sobre destrezas metacognitivas y autoeficacia, otro
cuestionario sobre creatividad científica, y una prueba de detección de errores
en dos problemas verbales resueltos. Los análisis de correlaciones, de
regresión múltiple y de mediación sugieren que: a) la capacidad de detección de
errores fue baja en general; b) las variables que más influyeron en la
variabilidad en la detección de errores en los problemas fueron el nivel
académico, la autoeficacia y la creatividad científica; y c) la autoeficacia
ejerció un papel de mediadora entre las destrezas metacognitivas y la detección
de errores, lo que evidenció el efecto indirecto de las destrezas
metacognitivas sobre la detección de errores en los problemas.
Abstract
The use of word problem worked-out examples is a common practice in
secondary school science classrooms. Given the paucity of studies on ability to
detect errors in worked-out science problem examples, the goals of this
research focused on this ability and the effects of scientific creativity,
metacognitive skills, science learning self-efficacy, grade level, and gender
on it. A quantitative ex post facto cross-sectional
research was conducted. A total of 139 students (74 girls and 65 boys)
from three different grades of Spanish secondary education (9th, 10th, and 11th
grades, between 14 and 17 years old) participated. An error detection task in
two worked-out problem exemples with embedded errors,
a questionnaire on metacognitive skills and science learning self-efficacy, and
a questionnaire on scientific creativity, were administered to participants. Correlation,
multiple regression, and mediation analyses suggest that: a) error detection ability
was low overall; b) the variables that most influenced error detection in
worked-out problem examples were grade level, science learning self-efficacy,
and scientific creativity; and c) self-efficacy played the role of mediator
between metacognitive skills and error detection, which showed the indirect
effect of metacognitive skills on error detection in worked-out problem
examples.
Palabras
clave / Keywords
Resolución de problemas, Creatividad, Motivación, Estudiantes de
educación secundaria, Cognición.
Problem solving, Creativity, Motivation,
Secondary school students, Cognition.
1.
Introducción
La resolución de
problemas es una competencia específica y, a su vez, una actividad de
aprendizaje y de evaluación en el currículum de la educación secundaria. En las
aulas de ciencias y matemáticas se suelen plantear situaciones problemáticas
(problemas verbales) y se instruye al alumnado usando problemas-modelo
resueltos como ejemplo. Se espera que estos ejemplos resueltos faciliten la
codificación y abstracción de esquemas de resolución en el alumnado (Van Gog et
al., 2011). Las personas estudiantes deben saber aplicar esos esquemas de
resolución a nuevos problemas, mediante transferencia analógica (Gómez et al.,
2012). Existen investigaciones, como la de Renkl
(2014), que corroboran la eficiencia del aprendizaje de habilidades cognitivas
a partir de ejemplos. Renkl (2017) señala y justifica
los posibles beneficios de la utilización de problemas resueltos en el
aprendizaje de resolución de problemas. Normalmente en las aulas de ciencias y
matemáticas se suelen plantear situaciones problemáticas donde se ven
implicadas diversos tipos de entidades (problemas verbales) y se espera que, a
partir de problemas-modelo resueltos, el estudiantado pueda resolver por transferencia
analógica (Gómez et al., 2012). En la educación secundaria se resuelven
problemas verbales en los distintos cursos y asignaturas, lo que suele facilitar
la asimilación de conocimientos y estrategias de resolución de problemas.
Cuando se estudia un
ejemplo resuelto, el conocimiento previo que el estudiante debe activar, y las
transformaciones matemáticas necesarias para llegar a la solución, ya son explicitos. Sin embargo, el estudiante debe asegurarse de
que realmente comprende la conexión entre el enunciado y el procedimiento
resolutivo. Esta conexión involucra al menos dos procesos importantes: la
traducción matemática del enunciado, y la interpretación del resultado numérico
obtenido. Dicho de otro modo, el o la estudiante debe controlar su comprensión
de la traducción matemática y de la interpretación que hace del resultado y, en
su caso, detectar obstáculos de comprensión e iniciar acciones para obtener la
ayuda necesaria para solventarlos. Esto implica a la destreza de control
metacognitivo de la comprensión (monitoring)
del estudiante (Cottini et al., 2021). Esta destreza
tiene gran influencia en el éxito académico en general (Guo,
2020), y en matemáticas (Baliram & Ellis, 2019; Muncer et al., 2022) y ciencias (Rozencwajg,
2003) en particular. Si el estudiante no determina obstáculos de comprensión, y
no los da a conocer al profesor, éste último no podrá ayudarle a tiempo. En cualquier caso, el interés del presente estudio se
centra en conocer la capacidad de detección de errores en problemas resueltos,
así como la influencia sobre dicha capacidad de determinadas variables de
relevancia educativa.
1.1. El presente trabajo
Dada la importancia
del control de la propia comprensión en el aprendizaje de resolución de
problemas en matemáticas y ciencias, este estudio se centra en evaluar dicha
destreza y en estimar la influencia de diversos factores sobre su desarrollo.
Uno de los métodos más usados para evaluar el control de la comprensión,
conocido como ‘Paradigma de la Detección de Errores’ (Winograd
& Johnston, 1982), es insertar deliberadamente errores en el desarrollo de
diversas tareas y estudiar si el alumnado es capaz de detectarlos y señalarlos
correctamente. Este es el método usado en el presente trabajo para obtener una
evaluación objetiva de la destreza de control de la propia comprensión durante
el estudio de problemas resueltos. En estudios previos con distintas tareas se
ha comprobado que el nivel de las destrezas metacognitivas en la educación
secundaria es bajo (Fauzi & Saâ,
2019; Sanjosé et al., 2010), pero mejora a medida que se avanza en la educación
secundaria (Van der Stel et
al., 2010).
La inclusión de
errores en problemas resueltos puede ser una estrategia didáctica útil en la
mejora de los procesos de aprendizaje de resolución de problemas (Loibl & Leuders, 2019). De
hecho, ejemplos de problemas resueltos erróneamente se han utilizado con éxito
para mejorar las destrezas de los estudiantes en resolución de problemas (Chen
et al., 2019; Zhao & Acosta-Tello, 2016). Sin embargo, hay pocas
investigaciones que analicen los factores que pueden tener influencia sobre la
detección de errores en problemas resueltos. Seguidamente, se abordarán otros
factores que, además de las destrezas metacognitivas, pueden afectar a la
resolución de problemas y que, potencialmente, también podrían tener efectos
sobre la detección de errores en problemas resueltos.
Comenzaremos por la
motivación. La motivación es un constructo complejo que influye en el resultado
de diversas tareas, en particular, la resolución de problemas (Solaz-Portolés et al., 2011). Linnenbrink
y Pintrich (2002) defienden que la motivación de los
estudiantes es un constructo multifacético con cuatro componentes básicos: la
autoeficacia académica, las atribuciones, la motivación intrínseca y los
objetivos de rendimiento. La autoeficacia es el componente sobre el que se han
centrado la mayoría de las investigaciones en didáctica de las ciencias y las
matemáticas. La autoeficacia hace referencia a un conjunto de creencias sobre
la competencia de una persona para plantear y llevar a cabo una determinada
acción (Nietfeld et al., 2005). Las creencias del
estudiantado sobre autoeficacia tienen un fuerte impacto sobre su rendimiento
académico (Linnenbrink & Pintrich,
2002; Usher & Pajares, 2006). De hecho, se ha constatado que el nivel de
autoeficacia mostrado por el estudiantado afecta a su rendimiento en la
resolución de problemas (Lodewyk & Winne, 2005; Zheng et al., 2009; Özcan
& Gümüş, 2019; Pajares & Miller, 1994).
Otro factor es la
creatividad. La resolución de problemas es, por definición, una actividad
creativa. Sin embargo, se han hecho pocas investigaciones sobre los vínculos existentes
entre el desempeño en la resolución de problemas y medidas de creatividad. No
resulta fácil encontrar una definición consensuada para el concepto de
creatividad. Sin embargo, en lo que sí existe consenso es en la importancia de
la creatividad en el logro de avances científicos y en el desarrollo de
sistemas educativos de alta calidad (Dane et al., 2011).
Para Runco (2004) y Plucker
et al. (2004) la creatividad desempeña un papel esencial en la resolución de
problemas. Chamberlin y Moon (2005) consideran a la
creatividad como una capacidad para generar soluciones novedosas y útiles a
problemas simulados o reales aplicados mediante el uso de modelos. Uno de los
pocos estudios empíricos donde se evidencia el efecto significativo de la
creatividad en la resolución de problemas es el de Casakin
et al. (2010). Por otra parte, también se ha comprobado que la resolución de
problemas puede convertirse en una actividad idónea para desarrollar la
creatividad (Dane et al., 2011). Así pues, parece
vislumbrarse una interacción entre resolución de problemas y creatividad.
En la actualidad los
investigadores distinguen entre creatividad de dominio general y de dominio
específico, si bien ambas guardan relación entre sí (Hong & Milgram, 2010).
La creatividad científica sería un caso de creatividad de dominio específico.
Al igual que ocurre con el concepto de creatividad resulta muy difícil definir
qué se entiende por creatividad científica. No obstante, de acuerdo con Kind y Kind (2007) la creatividad
científica en un contexto escolar debería basarse en lo que hacen los
científicos, esto es, en los aspectos creativos de los procesos de indagación
científica. No obstante, parece existir un gran consenso sobre el hecho de que
la creatividad científica se fundamenta en conocimientos científicos y
destrezas específicas (Hu et al., 2013). Los
esfuerzos de los investigadores se han centrado principalmente en los efectos
de la resolución de problemas sobre la creatividad científica (Bi et al.,
2020).
Atendiendo a los
muchos estudios que aparecen en la literatura, dos factores que podrían tener
relevancia en la resolución de problemas son la formación académica y el
género. De hecho, el nivel académico de estudiantes de secundaria y el
itinerario académico cursado influyen significativamente en el éxito en la
resolución de problemas (Alabau et al., 2020; García et al., 2015) y, por
tanto, se podría inferir que también en el análisis de problemas resueltos. Por
otra parte, en relación con el género del alumnado, los metaanálisis de Hyde,
et al., (2008) y de Lindberg et al., (2010) revelan
que las mujeres y los hombres suelen tener un rendimiento muy parecido en la
resolución de problemas.
Según lo
anteriormente indicado, las destrezas metacognitivas, la autoeficacia, la
creatividad y el nivel académico tienen un importante impacto sobre la
resolución de problemas. Esto, junto con la constatada utilización didáctica de
problemas resueltos en las aulas justifican que el presente estudio pretenda
conocer la habilidad del estudiantado de educación secundaria para detectar
errores en problemas resueltos, y los efectos del género, nivel (curso)
académico, creatividad científica, destrezas metacognitivas (autopercibidas) y autoeficacia sobre dicha habilidad.
2.
Metodología
2.1. Diseño de la investigación
Se utilizó una metodología cuantitativa. Concretamente, se utilizó un
diseño ex post facto de carácter transversal. Se tomó como variable dependiente
la detección de errores insertados en problemas resueltos de ciencias, y como
variables independientes la creatividad científica, la autopercepción de poseer
destrezas metacognitivas, la autoeficacia en el aprendizaje de las ciencias, el
nivel académico y el género. Los datos se recogieron en los cuatro primeros
meses del curso académico 2021-2022.
2.2. Participantes
Participaron voluntariamente 139 estudiantes (74 mujeres y 65 hombres) de
varios cursos de educación secundaria de un centro público de una localidad de
la provincia de Valencia (España). De ellos, 55 eran de 3º de ESO, 29 de 4º de
ESO, y 55 de 1º de Bachillerato. Sus edades oscilaban entre los 14 y los 17
años. El alumnado de 4º de ESO y de 1º de Bachillerato cursaba un itinerario
científico-tecnológico.
No se realizó un muestreo probabilístico, esto es, se trató de una
muestra de conveniencia. Los participantes fueron seleccionados por su fácil
accesibilidad. Se tomaron grupos intactos del centro. No hubo evidencias que
hicieran suponer que las características del alumnado participante difirieran
de las de otros centros educativos de la provincia de Valencia. Además, no todo
el profesorado del centro estuvo dispuesto a participar en el estudio, lo que
puso límites al número de estudiantes participantes.
Para determinar la destreza de detección de errores en problemas
resueltos se elaboró una prueba con dos problemas verbales, que se tomaron del
estudio de Woolley et al. (2018) y fueron adaptados
al contexto español. Los problemas son los siguientes:
Problema 1. Un amigo y tú estáis en un pueblo a 75 Km del vuestro. Tu
amigo decide volver media hora (0.5 h) antes que tú, y lo hace a una velocidad
de 52 Km por hora. Si quisieras llegar a tu pueblo al mismo tiempo que tu
amigo, ¿a qué velocidad deberías conducir?
Solución: Para obtener el tiempo que tarda tu amigo en volver al pueblo,
dividimos distancia entre velocidad
75: 52 = 1.44 h
El tiempo que tardarás tú será
1.44 h - 0.5 h = 0.94 h
La velocidad a la que tienes que ir la obtendremos
75 Km x
0.94 h = 70.5 Kmh
Problema 2. Cuando
un pez llega a su adolescencia su peso aumenta hasta alcanzar un valor del 550%
respecto de cuando nació. Posteriormente, cuando llega a la edad adulta, el
peso aumenta hasta el 150% respecto de la adolescencia. Si cuando nació un pez
pesaba 2g, ¿cuánto podrá pesar cuando llegue a adulto?
Solución: El porcentaje de aumento de peso desde que nace el pez es
500% + 150% = 700%
Por tanto, el peso que alcanzará de adulto a partir de los 2g iniciales
vendrá dado por
2g x 700/100 = 14 g
Los contenidos conceptuales y procedimentales implicados en la resolución
correcta de los problemas eran conocidos por todo el alumnado participante. La
tarea consistió en indicar si había errores y, en su caso, señalarlos y
explicarlos por escrito. El producto de la tarea se calificó entre 0 y 3 para
cada problema (0: ausencia de detección del error; 1: detección del error pero no lo señala; 2: detección del error, lo señala
pero no lo explica o no lo hace correctamente; 3: detección correcta y
completa, perfectamente explicada).
La creatividad científica se evaluó mediante el cuestionario Creative Scientific Problem Finding (Chen et al., 2014; Hu
et al., 2010). Este cuestionario contiene dos preguntas. En una se pide a los
alumnos que generen preguntas científicas basadas en sus experiencias y
observaciones de la vida cotidiana. La otra pide que generen todas las
preguntas científicas posibles relacionadas con una imagen de un astronauta en
la Luna. La puntuación del cuestionario se obtuvo de acuerdo con la rúbrica
creada por los autores del cuestionario. Se puntúa: a) Fluidez (número de
preguntas formuladas); b) Flexibilidad (número de categorías distintas en las
que se clasifican las preguntas); y c) Originalidad (se atiende a la frecuencia
de cada pregunta en el total de la muestra, de modo que con una frecuencia
menor al 5% se le asigna un valor de 2 puntos, si la respuesta se encuentra
entre 5-10% el valor será de 1 punto, y 0 puntos si la frecuencia es mayor del
10%). La puntuación de cada estudiante es la suma de a), b) y c).
La autopercepción de destrezas metacognitivas y la autoeficacia se
evaluaron con una versión reducida del Efficacy
and Metacognition Learning Inventory-Science (Thomas et al., 2008) que consta de
23 ítems. Los 7 ítems de la dimensión de Conectividad Constructivista fueron
eliminados de la versión original. El cuestionario resultante utiliza una
escala Likert de cinco puntos (1 = nunca o casi nunca; 2 = a veces; 3 =
aproximadamente la mitad de las veces; 4 = frecuentemente; 5 = siempre o casi
siempre) en la que se pide a los estudiantes que informen sobre su propia
habilidad para desarrollar procesos metacognitivos durante ciertas tareas, y
sobre su autoeficacia como estudiantes de ciencias.
Los instrumentos se administraron en formato papel y redactados en
valenciano-catalán, en dos sesiones de clase ordinarias. En la primera, se
realizó la prueba de detección de errores en problemas resueltos, y en la
segunda sesión se cumplimentó el cuestionario de creatividad científica y el
cuestionario de autoeficacia y autopercepción de metacognición. La primera
sesión duró aproximadamente 35 minutos, y la segunda 50-55 minutos.
Dos evaluadores obtuvieron de forma independiente las puntuaciones de 30
estudiantes para la prueba de detección de errores y para el cuestionario de creatividad.
Los coeficientes de correlación producto-momento de Pearson entre los conjuntos
de puntuaciones de ambos evaluadores fueron de .82 y .88 para la primera, y de
.79 y .81 para la creatividad científica. Por tanto, se consideró que el
procedimiento de puntuación era suficientemente objetivo.
Los datos obtenidos de todos los instrumentos fueron recogidos en una
tabla de Excel, y posteriormente procesados mediante el paquete estadístico
SPSS versión 24.0. Las dimensiones del cuestionario de autopercepción de
metacognición y autoeficacia en el aprendizaje de las ciencias alcanzaron una
fiabilidad, dada por el alfa de Cronbach, de .91 y .88 respectivamente.
En los análisis de posibles variables mediadoras entre predictores y
criterios (Baron & Kenny, 1986), se siguió el
procedimiento de Hayes (2013). El test de Sobel (1982)
se utilizó para determinar la significatividad de los efectos de mediación.
3.
Resultados
Las puntuaciones medias en cada una de variables medidas con los
distintos instrumentos, y sus desviaciones típicas, según el curso académico y
género se muestran en la Tabla 1.
Tabla 1
Estadística descriptiva de las variables en el estudio
|
Variable |
N. Académico |
Género |
M |
SD |
|
Creatividad Científica (sin punt. máxima) |
3º
ESO |
Hombre |
18.89 |
11.58 |
|
Mujer |
25.11 |
10.10 |
||
|
4º
ESO |
Hombre |
25.33 |
6.89 |
|
|
Mujer |
23.12 |
11.79 |
||
|
1º
BAC |
Hombre |
22.35 |
15.59 |
|
|
Mujer |
20.66 |
10.92 |
||
|
Destrezas
Metacognitivas (punt. máxima 85) |
3º
ESO |
Hombre |
52.78 |
12.03 |
|
Mujer |
60.21 |
12.18 |
||
|
4º
ESO |
Hombre |
65.17 |
9.83 |
|
|
Mujer |
67.12 |
14.66 |
||
|
1º
BAC |
Hombre |
57.15 |
9.35 |
|
|
Mujer |
61.79 |
8.80 |
||
|
Autoeficacia (punt. máxima 30) |
3º
ESO |
Hombre |
19.33 |
5.22 |
|
Mujer |
20.11 |
6.05 |
||
|
4º
ESO |
Hombre |
23.83 |
3.64 |
|
|
Mujer |
19.65 |
4.64 |
||
|
1º
BAC |
Hombre |
21.42 |
6.37 |
|
|
Mujer |
20.31 |
5.90 |
||
|
Detección Errores en Problemas (punt. máxima 6) |
3º
ESO |
Hombre |
1.41 |
1.53 |
|
Mujer |
1.21 |
1.07 |
||
|
4º
ESO |
Hombre |
1.75 |
1.48 |
|
|
Mujer |
1.24 |
1.56 |
||
|
1º
BAC |
Hombre |
2.73 |
1.93 |
|
|
Mujer |
2.79 |
1.92 |
Se aplicó la prueba de normalidad de Shapiro-Wilk a
las puntuaciones de la prueba de detección de errores en los problemas y en el
cuestionario de destrezas metacognitivas y autoeficacia en cada nivel
académico, que permitió rechazar la hipótesis nula en todos los casos (p >
.05). Así pues, puede considerarse que las puntuaciones en cada nivel académico
siguieron distribuciones normales
La Tabla 2 recoge la matriz de coeficientes de
correlación. Se observa que la única variable que no correlaciona
significativamente con la detección de errores en los problemas es el género.
El resto de las variables correlacionan positiva y significativamente.
Tabla 2
Coeficientes de correlación producto-momento de Pearson entre variables
|
|
Detección
E. |
Creatividad C. |
D. Metacognitivas |
Autoeficacia |
N. Académico |
Género |
|
Detección E. |
1 |
0.187* |
0.187* |
0.356*** |
0.373*** |
-0.047 |
|
Creatividad
C. |
|
1 |
0.188* |
0.162 |
-0.023 |
0.061 |
|
D.
Metacog. |
|
|
1 |
0.402*** |
0.114 |
0.236** |
|
Autoeficicacia |
|
|
|
1 |
0.088 |
-0.082 |
|
N.
Académico |
|
|
|
|
1 |
0.016 |
Notas: N=139. Género
codificado como mujer = 1, hombre = 0. Nivel académico codificado como 3º ESO =
0, 4ºESO =1, 1º Bachillerato = 2. *p< .05, **p< .01, ***p<. 001
Con la finalidad de analizar si la variabilidad en
la detección de errores en problemas resueltos puede ser predicha a partir de
las variables que correlacionan de forma significativa con ella, se efectuó un
análisis de regresión lineal múltiple. Se tomó como variable dependiente, o
criterio, la detección de errores en los problemas, y como variables
independientes, o predictores, la creatividad científica, la autopercepción de
destrezas metacognitivas, la autoeficacia y el nivel académico. El modelo de
regresión resultó estadísticamente significativo para explicar la variable dependiente
o criterio, (F(4,136) = 22.00, p<
.001). La Tabla 3 recoge los datos más importantes del análisis de regresión
múltiple realizado.
Tabla 3
Resumen del análisis de regresión para las variables predictoras de la
detección de errores en problemas
|
R2 ajustada |
B |
β |
p |
VIF* |
|
|
|
0.244 |
|
|
|
|
|
Creatividad C. |
|
.022 |
.150 |
.052 |
1.058 |
|
D. Metacognitivas |
|
-.004 |
-.022 |
.791 |
1.274 |
|
Autoeficacia |
|
.096 |
.311 |
<.001 |
1.238 |
|
N. académico |
|
.686 |
.352 |
<.001 |
1.020 |
Notas:
N=139. *VIF = Variance Inflation Factor
El conjunto de las variables predictoras predijo el 24.4% de la varianza.
El 75.6% restante debería ser explicado por otras variables no contempladas en
este estudio y por la varianza del error. La autopercepción de las destrezas
metacognitivas no fue una variable predictora significativa, y la creatividad
científica se quedó en el límite de la significación. Los coeficientes β
(coeficientes de regresión estandarizados) de nivel académico y autoeficacia
fueron similares, β= .352 y β= .311 respectivamente. También aparecen en la
Tabla 3 los factores de inflación de la varianza (VIF), que permiten estimar el
nivel de multicolinealidad entre los predictores del modelo de regresión. En
general, los niveles de colinealidad pueden considerarse bajos según los factores
de inflación de la varianza (VIF), si bien los de destrezas metacognitivas y
autoeficacia son un poco más altos por la correlación entre ambas variables
(Tabla 2).
Atendiendo a los resultados obtenidos y al objeto de determinar la
contribución singular y única de cada predictor a la varianza del criterio, se
llevó a cabo una regresión con el método paso a paso hacia adelante (forward
stepwise). El orden en el que se aceptaron los
predictores fue: 1) nivel académico, 2) autoeficacia y 3) creatividad científica.
En la Tabla 4 se recogen los resultados más destacados.
Tabla 4
Resumen del análisis de regresión forward stepwise
para las variables predictoras de la detección de errores en problemas
|
Paso |
V.
Independiente |
R2
ajustada |
ΔR2 |
B |
β |
p |
VIF* |
|
1 |
|
.133 |
.133 |
|
|
|
|
|
|
N. Académico |
|
|
.727 |
.373 |
<.001 |
1.000 |
|
2 |
|
.233 |
.100 |
|
|
|
|
|
|
N.
Académico |
|
|
.671 |
.344 |
<.001 |
1.008 |
|
|
Autoeficacia |
|
|
.101 |
.326 |
<.001 |
1.008 |
|
3 |
|
.249 |
.016 |
|
|
|
|
|
|
N.
Académico |
|
|
.682 |
.349 |
<.001 |
1.009 |
|
|
Autoeficacia |
|
|
.093 |
.302 |
<.001 |
1.036 |
|
|
Creatividad
C. |
|
|
.022 |
.146 |
.053 |
1.028 |
Notas:
N=139. *VIF = Variance Inflation Factor
La variable nivel académico dio
cuenta del 13.3% de la varianza de detección de errores en problemas resueltos.
La introducción de la autoeficacia explicó 10 puntos porcentuales adicionales
y, finalmente, la creatividad científica incrementó en 1.6 puntos porcentuales la
predicción de la detección de dichos errores, hasta el total de 24.9%.
Por último, se decidió
investigar por qué la autopercepción de destrezas metacognitivas, que
correlaciona positiva y significativamente con la detección de errores en
problemas, no aparece como predictor significativo (o al menos en el límite de
la significación) en el análisis de regresión. Dada la correlación elevada
entre la autopercepción de destrezas metacognitivas y la autoeficacia, esta
última variable predictora significativa en el modelo de regresión, se
consideró la posibilidad de examinar el papel de la autoeficacia como mediadora
de la influencia de la autopercepción de destrezas metacognitivas sobre la
detección de errores en problemas. Para ello, se llevó a cabo un análisis de
mediación. A partir del análisis de regresión simple, se determinó que el
efecto total de la variable autopercepción de destrezas metacognitivas sobre la
detección de errores fue significativo (B =.030, p <.05). El
efecto directo se evaluó a partir del análisis de regresión de destrezas
metacognitivas y la autoeficacia sobre detección de errores en problemas, y no
fue significativo (B =.007, p =.639). El efecto indirecto sí
resulto ser significativo (B =.023, p <.05). El test de Sobel corroboró que la mediación parcial de la
autoeficacia fue estadísticamente significativa (z =3.448, p
<.001).
Tabla 5
Pasos que
esquematizan el análisis de mediación efectuado
|
Paso |
Tipo Regresión |
V. Independientes vs. V.
Dependiente |
Coef. Regresión no est. |
|
1 |
Simple |
D. Metacognitivas vs. Det.
Errores en problemas |
B =.030
(Efecto Total) |
|
2* |
Simple |
D.
Metacognitivas vs Autoeficacia |
B= .222 |
|
3* |
Simple |
Autoeficacia vs Det.
Errores en problemas |
B= .105 |
|
4 |
Múltiple |
D. Metacognitivas + Autoeficacia vs Det. Errores |
B = .007
(Efecto Directo) |
|
5 |
B
(Efecto indirecto) = B (Efecto Total) – B (Efecto Directo) = .023 |
||
Notas: Los pasos 2* y 3* son necesarios para la aplicación del test de Sobel.
4.
Discusión
Las puntuaciones en la detección de los errores en los problemas
resueltos que se observan en la Tabla 1, que van desde 1.41 a los 2.79 puntos,
pueden considerarse bajas. Es decir, el alumnado de secundaria se ha mostrado
con baja capacidad para apreciar que en el proceso de resolución de problema
que se les presentó podía haber pasos que tuvieran algún error. Esto viene a
reflejar el bajo nivel de control metacognitivo de este alumnado que ya se ha
encontrado repetidamente en estudios anteriores en tareas de resolución de
problemas (Sanjosé et al., 2022), pero también en tareas de respuesta a
preguntas sobre textos de ciencias (Sanjosé et al., 2010) y sobre detección de
contradicciones en textos (Otero et al., 1992).
En relación con el género, el prácticamente nulo coeficiente de
correlación con la detección de errores que aparece en la Tabla 2, sugiere que
éste no está asociado con la detección de errores en los problemas resueltos.
Este resultado es coherente con los resultados de Hyde et al. (2008) y Lindberg et al. (2010).
También resulta muy interesante la elevada correlación hallada entre la
autopercepción de poseer destrezas metacognitivas y la autoeficacia, que parece
sugerir que las personas estudiantes que perciben tener buenas estatregias metacognitivas también creen en su aptitud para
aprender ciencias exitosamente. De hecho, en el trabajo de Sadi
y Uyar (2013) se puso de relieve esta relación en un
análisis mediante un modelo de ecuaciones estructurales donde intervenían las
estrategias metacognitivas, la autoeficacia y el rendimiento en biología.
En cuanto a los efectos de las variables independientes sobre la variable
dependiente, a partir la matriz de correlaciones y de los análisis de regresión
lineal múltiple realizados podría decirse que las únicas variables que predicen
significativamente la variabilidad en la detección de errores en problemas
resueltos son el nivel académico, la autoeficacia y la creatividad científica. Estos
efectos significativos son congruentes con los obtenidos por Alabau et al. (2020)
y García et al. (2015) en el caso del nivel académico; por Zheng et al. (2009)
y Özcan y Gümüs (2019) en
el de la autoeficacia; y por Casakin et al. (2010) en
el de la creatividad. En todos estos trabajos se comprobó el efecto
significativo de las correspondientes variables sobre el rendimiento en la
resolución de problemas. A partir de los coeficientes de regresión
estandarizados β y de forward
stepwise regression se confirmó que el nivel académico y la
autoeficacia son las variables que más contribuyen a la variabilidad en la
detección de errores en problemas resueltos, y la creatividad científica la
variable que menos lo hace. Así pues, la mejor detección de estos errores estuvo
relacionada con: la formación académica, esto es, mayores conocimientos y
estrategias; la autopercepción de que se tiene capacidad suficiente para
afrontar los aprendizajes de las ciencias, es decir, una percepción de
autoeficacia elevada; y, en menor medida, competencia para desarrollar ideas
originales en ciencias y en diferentes contextos, a saber, alta creatividad
científica.
El análisis de
mediación llevado a cabo, fruto del imprevisto resultado de la metacognición en
el análisis de regresión múltiple y de la asociación hallada entre
metacognición y autoeficacia, mostró que la variable autoeficacia actuó de
mediadora entre la metacognición y la detección de errores en problemas. Así,
de hecho, el efecto indirecto de la metacognición sobre la detección de errores
en problemas resultó ser significativo, lo que implica que no aparece como
variable predictora en el análisis de regresión porque la autoeficacia apantalla
sus efectos. No es de extrañar este hallazgo, ya que en la investigación de Yerdelen-Damar y Peşman (2013) la
autoeficacia ejerció el papel de mediadora entre la metacognición y el
rendimiento en física.
5.
Conclusiones
La primera conclusión que se deriva de la investigación se centra en la
capacidad del estudiantado de educación secundaria de detectar errores en
problemas de ciencias. Los resultados obtenidos sugieren que el alumnado de
educación secundaria procesa la información de un problema resuelto de forma
superficial y sin un adecuado control, lo que les impide en la mayoría de los
casos detectar de forma adecuada los errores. Así pues, debería considerarse el
modo en que puede desarrollarse esta destreza en la instrucción.
La segunda conclusión está vinculada al impacto de las variables puestas
en juego en el estudio sobre la detección de errores en los problemas. Parece
que las únicas variables que predicen la variabilidad de la detección de
errores en problemas son el nivel académico, la autoeficacia y la creatividad
científica, siendo las dos primeras las que más contribuyen a dicha
variabilidad.
La tercera conclusión está referida al efecto indirecto de la
autopercepción de metacognición (medida subjetiva) sobre la detección de
errores (medida objetiva). Los análisis efectuados indicarían que la percepción
de la propia autoeficacia actúa de mediadora entre la autopercepción de poseer
destrezas metacognitivas, una variable subjetiva, y la detección de errores en
problemas, una variable objetiva de tipo metacognitivo. Así pues, la
autopercepción de metacognición también influiría, a través de la autoeficacia,
en la detección de errores.
Las implicaciones para los procesos de enseñanza y aprendizaje de
resolución de problemas en ciencias y matemáticas apuntarían hacia la necesidad
de llevar a cabo actividades en el aula en las que: a) se ponga el acento en el
control de la comprensión de los problemas y sus diferentes pasos en la
resolución; b) se pueda incrementar la percepción de autoeficacia en las diferentes
tareas que se ejecutan en aula; y c) se desarrolle la creatividad científica,
principalmente a través del pensamiento divergente y la indagación científica.
5.1. Limitaciones
Las limitaciones del presente trabajo se refieren tanto a la muestra como
a los instrumentos que se han empleado. La muestra ha sido pequeña y no
procedió de un muestreo aleatorio. Además, solo ha participado alumnado de tres
niveles educativos de la educación secundaria. Por lo que respecta a los
instrumentos, el de detección de errores en problemas resueltos estuvo
restringido a dos problemas; y el cuestionario de destrezas metacognitivas y
autoeficacia se basó en la autopercepción del estudiantado, por lo que los
resultados pueden verse afectados por sesgos personales y subjetividad. Por
todas estas limitaciones, las conclusiones no son de validez general, y no
pueden extrapolarse.
Apoyos
Este estudio forma parte del Proyecto PID2021-124333NB-100
financiado por MCIN/AEI/10.13039/501100011033/ y por FEDER Una manera de hacer
Europa
Referencias
Alabau, J., Solaz-Portolés, J. J., & Sanjosé, V. (2020) Relación entre
creencias sobre resolución
de problemas, creencias epistemológicas, nivel académico, sexo y desempeño
en resolución de problemas:
un estudio en educación secundaria. Revista
Eureka sobre Enseñanza y Divulgación
de las Ciencias, 17(1), 1102. https://doi.org/10.25267/Rev_Eureka_ensen_divulg_cienc.2020.v17.i1.1102
Baliram, N., &
Ellis, A. K. (2019). The impact of metacognitive practice and teacher
feedback on academic achievement in mathematics. School Science and
Mathematics, 119(2), 94-104. https://doi.org/10.1111/ssm.12317
Baron, R. M., y
Kenny, D. A. (1986). The moderator-mediator variable distinction in social
psychological
research: Conceptual, strategic and statistical
considerations. Journal of Personality and Social Psychology, 51,
1173-1182. https://doi.org/10.1037/0022-3514.51.6.1173
Bi, H., Mi, S., Lu,
S., & Hu, X. (2020). Meta-analysis of interventions and their effectiveness
in students’ scientific creativity. Thinking Skills and Creativity, 38,
100750. https://doi.org/10.1016/j.tsc.2020.100750
Casakin, H., Davidovitch, N., &
Milgram, R. M. (2010). Creative thinking as a predictor of creative problem
solving in architectural design students. Psychology of Aesthetics, Creativity,
and the Arts, 4(1), 31. https://doi.org/10.1037/a0016965
Chamberlin, S. A.,
& Moon, S. M. (2005). Model eliciting activities as a tool to develop and
identify creatively gifted mathematicians. The Journal of Secondary Gifted
Education, 17(1), 37–47. https://doi.org/10.4219/jsge-2005-393
Chen, B., Hu, W., y
Plucker, J. A. (2014). The Effect of Mood on Problem
Finding in Scientific Creativity. The Journal of Creative Behavior, 50(4),
308-320. https://doi.org/10.1002/jocb.79
Chen, X., Mitrovic,
A., & Mathews, M. (2019). Learning from worked examples, erroneous
examples, and problem solving: Toward adaptive selection of learning
activities. IEEE Transactions on Learning Technologies, 13(1),
135-149. https://doi.org/10.1109/TLT.2019.2896080
Cottini, M., Basso, D., Pieri, A.,
& Palladino, P. (2021). Metacognitive Monitoring and Control in Children’s
Prospective Memory. Journal of Cognition and Development, 22(4),
619-639. https://doi.org/10.1080/15248372.2021.1916500
Dane, E., Baer, M.,
Pratt, M. G., & Oldham, G. R. (2011). Rational versus intuitive problem
solving: How thinking “off the beaten path” can stimulate creativity. Psychology
of Aesthetics, Creativity, and the Arts, 5(1), 3. https://doi.org/10.1037/a0017698
Fauzi, A., & Saâ, W. (2019).
Students’ Metacognitive Skills from the Viewpoint of Answering Biological
Questions: Is It Already Good? Jurnal Pendidikan IPA Indonesia, 8(3),
317-327. https://doi.org/10.15294/jpii.v8i3.19457
García, P., Sanjosé, V., & Solaz-Portolés,
J. J. (2015). Efectos de las características del problema, captación de su estructura y uso de analogías sobre el éxito de los estudiantes de secundaria en la resolución de problemas. Teoría
de la Educación, 27(2), 221-244. http://dx.doi.org/10.14201/teoredu2015272221244
Gómez, C. B., Sanjosé, V., & Solaz-Portolés, J. J. (2012). Una revisión
de los procesos de transferencia
para el aprendizaje y enseñanza
de las ciencias. Didáctica
de las ciencias experimentales
y sociales, 26(1), 199-227. https://doi.org/10.7203/DCES.26.1934
Guo, L. (2022). The
effects of self-monitoring on strategy use and academic performance: A
meta-analysis. International Journal of Educational Research, 112,
101939. https://doi.org/10.1016/j.ijer.2022.101939
Hayes, A. F.
(2013). Introduction to mediation, moderation and
conditional process analysis. A regression based
approach. The Guilford Press.
Hong, E., &
Milgram, R. M. (2010). Creative thinking ability: Domain generality and
specificity. Creativity Research Journal, 22(3), 272-287. https://doi.org/10.1080/10400419.2010.503535
Hu, W., Shi, Q. Z.,
Han, Q., Wang, X., & Adey, P. (2010). Creative scientific problem finding
and its developmental trend. Creativity Research Journal, 22(1),
46–52. https://doi.org/10.1080/10400410903579551
Hu, W., Wu, B.,
Jia, X., Yi, X., Duan, C., Meyer, W., & Kaufman, J. C. (2013). Increasing
students' scientific creativity: The “learn to think” intervention program. The
Journal of Creative Behavior, 47(1), 3-21. https://doi.org/10.1002/jocb.20
Hyde, J. S.,
Lindberg, S. M., Linn, M. C., Ellis, A. B., & Williams, C. C. (2008).
Gender similarities characterize math performance. Science, 321(5888),
494-495. http://dx.doi.org/10.1126/science.1160364
Kind, M. &
Kind, V. (2007) Creativity in Science Education: Perspectives and Challenges
for Developing School Science. Studies in Science Education, 43(1),
1-37. https://doi.org/10.1080/03057260708560225
Lindberg, S. M.,
Hyde, J. S., Petersen, J. L., & Linn, M. C. (2010). New trends in gender
and mathematics performance: a meta-analysis. Psychological Bulletin, 136(6),
1123. https://doi.org/10.1037/a0021276
Linnenbrink, E. A., & Pintrich,
P. R. (2002). Motivation as an enabler for academic success. School
Psychology Review, 31(3), 313-327. https://doi.org/10.1080/02796015.2002.12086158
Lodewyk, K. R. & Winne, P. H. (2005). Relations among the
structure of learning tasks, achievement, and changes in self-efficacy in
secondary students. Journal of Educational Psychology, 97(1),
3–12. https://doi.org/10.1037/0022-0663.97.1.3
Loibl, K. & Leuders, T.
(2019). How to make failure productive: Fostering learning from errors through
elaboration prompts. Learning and Instruction, 62, 1-10. https://doi.org/10.1016/j.learninstruc.2019.03.002
Muncer, G., Higham, P.A., Gosling,
C.J., Cortese, S., Wood-Downie, H., & Hadwin,
J.A. (2022). A meta-analysis investigating the association between
metacognition and math performance in adolescence. Educational Psychology
Review, 34, 301–334. https://doi.org/10.1007/s10648-021-09620-x
Nietfeld, J. L., Cao, L., & Osborne, J.
W. (2005). Metacognitive monitoring accuracy and student performance in the
postsecondary classroom. The Journal of Experimental Educational, 74(1),
7-28. https://www.jstor.org/stable/20157410
Otero, J., Campanario,
J. M., & Hopkins, K. D. (1992). The relationship between academic
achievement and metacognitive comprehension monitoring ability of Spanish
secondary school students. Educational and Psychological Measurement, 52(2),
419-430. https://doi.org/10.1177/0013164492052002017
Özcan, Z. Ç., & Gümüş, A. E.
(2019). A modeling study to explain mathematical problem-solving performance
through metacognition, self-efficacy, motivation, and anxiety. Australian
Journal of Education, 63(1), 116-134. https://doi.org/10.1177/0004944119840073
Pajares, F., &
Miller, M. D. (1994). Role of self-efficacy and self-concept beliefs in
mathematical problem solving: A path analysis. Journal of Educational
Psychology, 86(2), 193. https://doi.org/10.1037/0022-0663.86.2.193
Plucker, J. A., Beghetto, R. A.,
& Dow, G. T. (2004). Why isn’t creativity more important to educational
psychologists? Potentials, pitfalls, and future directions in creativity
research. Educational Psychologist, 39(2), 83–96. https://doi.org/10.1207/s15326985ep3902_1
Renkl, A. (2014). Toward an instructionally oriented theory
of example‐based learning. Cognitive
Science, 38(1), 1-37. https://doi.org/10.1111/cogs.12086
Renkl, A. (2017). Learning from worked-examples
in mathematics: students relate procedures to principles. ZDM, 49(4),
571-584. https://doi.org/10.1007/s11858-017-0859-3
Rozencwajg, P. (2003). Metacognitive factors in
scientific problem-solving strategies. European Journal of Psychology of
Education, 18(3), 281-294. https://doi.org/10.1007/BF03173249
Runco, M. A.
(2004). Creativity. Annual Review of Psychology, 55, 657–687. https://doi.org/10.1146/annurev.psych.55.090902.141502
Sadi, O., &
Uyar, M. (2013). The relationship between self-efficacy, self-regulated
learning strategies and achievement: A path model. Journal of Baltic Science
Education, 12(1), 21. https://doi.org/10.33225/jbse/13.12.21
Sanjosé, V.,
Fernández, J. J., & Vidal-Abarca, E. (2010). Importancia de las destrezas de procesamiento de la
información en la comprensión de textos científicos. Infancia y Aprendizaje,
33(4), 529-541. https://doi.org/10.1174/021037010793139581
Sanjosé, V., Gómez-Ferragud,
C. B., Verdugo-Perona, J. J., & Solaz-Portolés,
J. J. (2022). Testing a model for the monitoring of worked-out algebra-problem
examples: From behaviours to outcomes on a math task.
Psicología Educativa, 28(2), 141-149. https://doi.org/10.5093/psed2021a25
Sobel, M. E.
(1982). Asymptotic intervals for indirect effects in structural equations
models. Sociological
Methodology, 13,
290-312. https://doi.org/10.2307/270723
Solaz-Portolés,
J. J., Sanjosé, V., & Gómez, C. B. (2011). La investigación sobre la
influencia de las estrategias y la motivación en la resolución de problemas:
Implicaciones para la enseñanza. Latin-American Journal of Physics
Education, 5(4), 788-795. http://www.lajpe.org/dec11/LAJPE_582_Solaz_Portoles_preprint_corr_f.pdf
Thomas, G.,
Anderson, D., & Nashon, S. (2008). Development of
an instrument designed to investigate elements of science students’
metacognition, self-efficacy and learning processes: The SEMLI-S. International
Journal of Science Education, 30(13), 1701–1724. https://doi.org/10.1080/09500690701482493
Usher, E. L., &
Pajares, F. (2006). Sources of academic and self-regulatory efficacy beliefs of
entering middle school students. Contemporary Educational Psychology, 31,
125–141. https://doi.org/10.1016/j.cedpsych.2005.03.002
Van der Stel, M., Veenman, M. V., Deelen, K., &
Haenen, J. (2010). The increasing role of
metacognitive skills in math: A cross-sectional study from a developmental
perspective. ZDM, 42(2),219-229. https://dx.doi.org/10.1007/s11858-009-0224-2
Van Gog, T.,
Kester, L., & Paas, F. (2011). Effects of worked
examples, example-problem, and problem-example pairs on novices’ learning. Contemporary
Educational Psychology, 36(3), 212-218. https://doi.org/10.1016/j.cedpsych.2010.10.004
Winograd, P., &
Johnston, P. (1982). Comprehension monitoring and the error detection paradigm.
Journal of Reading Behavior, 14(1), 61-76. https://doi.org/10.1080/10862968209547435
Woolley, J. S.,
Deal, A. M., Green, J., Hathenbruck, F., Kurtz, S.
A., Park, T. K. H., Pollock, S. V. S., Transtrum, M.
B., & Jensen, J. L. (2018). Undergraduate students demonstrate common false
scientific reasoning strategies. Thinking Skills and Creativity, 27,
101–113. https://doi.org/10.1016/j.tsc.2017.12.004
Yerdelen-Damar, S., & Peşman,
H. (2013). Relations of gender and socioeconomic status to physics through
metacognition and self-efficacy. The Journal of Educational Research, 106(4),
280-289. https://doi.org/10.1080/00220671.2012.692729
Zhao, H., &
Acosta-Tello, E. (2016). The impact of erroneous examples on students’ learning
of equation solving. Journal of Mathematics Education, 9(1),
57-68. https://educationforatoz.com/images/Hong_Zhao_2016.pdf
Zheng, R., McAlack, M., Wilmes, B., Kohler‐Evans, P., & Williamson, J.
(2009). Effects of multimedia on cognitive load, self‐efficacy, and multiple rule‐based problem solving. British
Journal of Educational Technology, 40(5), 790-803. https://doi.org/10.1111/j.1467-8535.2008.00859.x