¿Qué nos dice PISA sobre la enseñanza y el aprendizaje de las ciencias? Una proximación a través de árboles de decisión

  1. Esther López-Martín 2
  2. Eva Expósito-Casas 2
  3. Elvira Carpintero Molina 1
  4. Inmaculada Asensio Muñoz 1
  1. 1 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

  2. 2 Universidad Nacional de Educación a Distancia
    info

    Universidad Nacional de Educación a Distancia

    Madrid, España

    ROR https://ror.org/02msb5n36

Revista:
Revista de educación

ISSN: 0034-8082

Año de publicación: 2018

Número: 382

Páginas: 133-162

Tipo: Artículo

DOI: 10.4438/1988-592X-RE-2018-382-395 SCOPUS: 2-s2.0-85067567689 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de educación

Resumen

El presente trabajo analiza los datos de España en PISA 2015 con los objetivos de identificar los factores que más se relacionan con la competencia científica y describir el perfil de los estudiantes con mayor y menor desempeño en la prueba de ciencias en función de las variables de contexto. Para ello se ha utilizado una técnica multivariada de clasificación basada en árboles de decisión con el algoritmo CART (Classification and Regression Trees).Tras el estudio descriptivo-exploratorio realizado, se presenta la selección y jerarquía de las características contextuales del estudiante que más se relacionan con su nivel competencial en ciencias. El grado al que asiste el estudiante, junto con sus expectativas académicas y la repetición de curso, son las variables que, de forma global, mejor predicen el rendimiento en ciencias de los estudiantes españoles de 15 años. A su vez, los resultados relativos al desempeño en grupos de estudiantes extremos (de alto y bajo rendimiento) permiten profundizar en el análisis, identificándose aquellas variables con una incidencia diferencial para ambos colectivos. Entre las principales conclusiones del estudio destaca la importancia de la labor que se realiza en los centros educativos, ya que la trayectoria académica y las variables psicoeducativas parecen tener un mayor efecto sobre los resultados académicos de los estudiantes que sus características socioeconómicas. La discusión profundiza en las principales implicaciones de estos resultados para una mejora de la enseñanza de las ciencias en España, que pueda verse reflejada en la disminución de alumnos rezagados, así como en el aumento del desempeño medio y, especialmente, del número de alumnos situados en niveles de excelencia.

€ Ver financiación

Información de financiación

Financiadores

Referencias bibliográficas

  • Aksu, G., & Güzeller, C.O. (2016). Classification of PISA 2012 Mathematical Literacy Scores Using Decision-Tree Method: Turkey Sampling. Education and Science, 41 (185), 101-122.
  • Baird, J.A., Johnson, S., Hopfenbeck, T.N., Isaacs, T., Sprague, T., Stobart, G., & Yu, G. (2016). On the supranational spell of PISA in policy. Educational Research, 58 (2). 121-138. DOI: 10.1080/00131881.2016.1165410
  • Blanco, A., Asensio, I.I., Carpintero, E., Ruiz de Miguel, C., & Expósito, E. (2017). Aplicaciones de la segmentación jerárquica en medición y evaluación de programas educativos. Ejemplos con un programa de educación financiera. Educación XX1, 20 (2), 235-257.
  • Blanco-Blanco, Á., López, E., & Ruiz de Miguel, C. (2014). Aportaciones de los modelos jerárquico-lineales multivariados a la investigación educativa sobre el rendimiento. Un ejemplo con datos del alumnado español en PISA 2009. Revista de Educación, 365, 122-149.
  • Breiman, L., Friedman, J.H., Olshen, R.A., & Stone, C.J. (1984). Classification and regression trees. Monterey, CA: Wadsworth and Brooks-Cole.
  • Carabaña, J. (2015). La inutilidad de PISA para las escuelas. Madrid: La Catarata.
  • Carvallo, M., Caso, J., & Contreras (2007). Estimación del efecto de variables contextuales en el logro académico de estudiantes de Baja California. Revista Electrónica de Investigación educativa, 9(2), http:// redie.uabc.mx/vol9no2/contenido-carvallo.html
  • Casanova, P., Cruz, M., de la Torre, M. J., & de la Villa, M. (2005). Influence of family and socio-demographic variables on students with low academic achievement. Educational Psychology, 25 (4), 423-435.
  • Castro-Morera, M., García-Medina, A., Pedrosa-Zúñiga, H., & Caso-Niebla, J. (2015). Escuelas de alto y bajo valor añadido. Perfiles diferenciales de las secundarias en Baja California. Archivos Analíticos de Políticas Educativas, 23 (67) http://dx.doi.org/10.14507/epaa.v23.1917
  • Cordero, J.M., Crespo, E., & Pedraja, F. (2013). Rendimiento educativo y determinantes según PISA: Una revisión de la literatura en España. Revista de Educación, 362, 273-297.
  • Crujeiras, B., & Jiménez, M.P. (2015). Análisis de la competencia científica de alumnado de secundaria: respuestas y justificaciones a ítems de PISA. Revista Eureka sobre Enseñanza y Divulgación de las Ciencias, 12(3), 385-401.
  • Demir, İ., Kılıç S. (2010). Using PISA 2003: Examining the factors affecting students’ mathematics achievement. H. U. Journal of Education, 38, 44-54.
  • Escobar, M. (2007). El análisis de segmentación: Técnicas y aplicaciones de los árboles de clasificación. Madrid: CIS.
  • Freeman, S., Eddy, S.L., McDonough, M., Smith, M.K., Okoroafor, N., Jordt, H., & Wenderoth, M.P. (2014). Active learning increases student performance in science, engineering, and mathematics. Proceedings of the National Academy of Sciences, 111(23), 8410–8415. http://www. pnas.org/content/111/23/8410
  • Gil-Flores, J. (2012). Actitudes del alumnado español hacia las ciencias en la evaluación PISA 2006. Enseñanza de las Ciencias, 30(2), 131-152.
  • González-Such, J., Sancho-Álvarez, C., & Sánchez-Delgado, P. (2016). Cuestionarios de contexto PISA: Un estudio sobre los indicadores de evaluación. RELIEVE, 22(1), M7. DOI: http://dx.doi.org/10.7203/ relieve.22.1.8429
  • Ikeda, M., & García, E. (2014). Grade repetition: A comparative study of academic and non-academic consequences. OECD Journal: Economic Studies, Vol. 2013/1, 269-315. http://dx.doi.org/10.1787/eco_studies2013-5k3w65mx3hnx
  • Instituto Nacional de Evaluación Educativa (INEE). (2014). Análisis desagregado de los resultados de España en PISA. EducaINEE (Boletín de educación). Ministerio de Educación, Cultura y Deporte. Obtenido de http://www.mecd.gob.es/dctm/inee/boletines/educainee27. pdf?documentId=0901e72b8186 8b0a
  • Instituto Nacional de Evaluación Educativa (INEE). (2016). PISA 2015. Programa para la Evaluación Internacional de los alumnos. Informe español. Madrid: Ministerio de Educación, Cultura y Deporte.
  • Jiménez-Tejada, M. P., Romero-López, M. C., Almagro-Fernández, M., González-García, F., & Vílchez-González, J.M. (2016). Spanish teaching students’ attitudes towards teaching science at the pre-school level. SHS Web of Conferences, 26, 01103, ERPA 2015. DOI: 10.1051/ shsconf/20162601103
  • Kearney, C. (2016). Efforts to Increase Students’ Interest in Pursuing Mathematicas, Science and Technology Studies and Careers. Brussels: European Schoolnet (EUN Partnership AISBL). http://files.eun. org/scientix/Observatory/ComparativeAnalysis2015/Kearney-2016NationalMeasures-30-countries-2015-Report.pdf
  • Kiray, S.A., Gok, B., & Bozkir, A.S. (2015). Identifying the factors affecting science and mathematics achievement using data mining methods. Journal of Education in Science, Environment and Health (JESEH), 1(1), 28-48.
  • Lent, R., Brown, S., & Hackett, G. (1994). Toward a unifying social cognitive theory of career and academic interest, choice, and performance. Journal of Vocational Behavior, 45, 79–122.
  • Lizasoain, L. (2012) Las técnicas de minería de datos aplicadas a la investigación educativa. Arboles estadísticos de decisión. En M. Castro (Coord.) Elogio a la Pedagogía Científica. Madrid: Grafidridma.
  • López-Martín, E., Navarro, E., Ordóñez, X., & Romero, S. (2009). Estudio de variables determinantes de eficiencia a través de los modelos jerárquicos lineales en la evaluación PISA 2006: El caso de España. Education Policy Analysis Archives, 17(16), 1-24.
  • Mason, L., Boscolo, P., Tornatora, M.C., & Ronconi, L. (2013). Besides Knowledge: A cross-Sectional Study on the Relations between Epistemic Beliefs, Achievement Goals, Self Beliefs, and Achievement in Science. Instructional Science, 41(1), 49–79. doi:10.1007/s11251012-9210-0.
  • Méndez Coca, D. (2015). Estudio de las motivaciones de los estudiantes de secundaria de física y química y la influencia de las metodologías de enseñanza en su interés. Educación XX1, 18(2), 215-235, doi: 10.5944/educXX1.14016.
  • Nugent, G., Barker, B., Welch, G., Grandgenett, N., Wu, C., & Nelson, C. (2015). A Model of Factors Contributing to STEM Learning and Career Orientation. International Journal of Science Education 37(7), 1067–88.
  • OECD (2005). The Definition and Selection of key Competencies. Executive Summary. En http://www.oecd.org/pisa/35070367.pdf. Consultado el 4 de julio de 2017.
  • OCDE (2008). Informe PISA 2006. Competencias científicas para el mundo del mañana. Madrid: Santillana.
  • OECD (2013). PISA 2015 Draft Science Framework. Paris: OECD.
  • OECD (2014). PISA 2012 Technical Report. Paris: OECD https ://www.oecd.org/pisa/pisaproducts/PISA%202012%20 Technical%20Report_Chapter%2019.pdf
  • OECD (2017). PISA 2015 Assessment and Analytical Framework: Science, Reading, Mathematic and Financial Literacy, Paris: OECD Publishing, 101-127. DOI: http://dx.doi.org/10.1787/9789264281820-en
  • Parker, P.D., Jerrim, J., Schoon, I., & Marsh, H.W. (2016). A multination study of socieoeconomic inequality in expectations for progression to Higher Education: The role of between-school tracking and ability stratification. American Educational Research Journal, 53 (1), 6-32.
  • Pérez, A. I., & Soto, E. (2011). Luces y sombras de PISA. Sentido educativo de las evaluaciones externas. Cultura y Educación, 23(2), 171-182, DOI: 10.1174/113564011795944758
  • Schleicher, A. (2016). Desafíos para PISA. RELIEVE, 22(1), art. M13. DOI: http://dx.doi.org/10.7203/relieve.22.1.8429
  • Strobl, C., Malley, J., & Tutz, G. (2009). An Introduction to Recursive Partitioning: Rationale, Application, and Characteristics of Classification and Regression Trees, Bagging, and Random Forests. Psychological Methods, 14 (4), 323–348.
  • Torío, S., Hernández, J., & Peña, J.V. (2007). Capital social familiar y expectativas académico-formativas y laborales en el alumnado de Educación Secundaria Obligatoria. Revista de Educación, 343, 559-586.
  • Yu, C.H., Kaprolet, C., Jannasch-Pennell, A., & DiGangi. S. (2012). A Data Mining Approach to Comparing American and Canadian Grade 10 Students’ PISA Science Test Performance. Journal of Data Science, 10, 441-464.
Fuente de los datos: Dialnet