Alumnado español de alto y bajo rendimiento en ciencias en PISA 2015análisis del impacto de algunas variables de contexto

  1. Javier Tourón 1
  2. Emelina López-González 2
  3. Luis Lizasoain Hernández 3
  4. María José García San Pedro 1
  5. Enrique Navarro Asencio 4
  1. 1 Universidad Internacional de La Rioja
    info

    Universidad Internacional de La Rioja

    Logroño, España

    ROR https://ror.org/029gnnp81

  2. 2 Universitat de València
    info

    Universitat de València

    Valencia, España

    ROR https://ror.org/043nxc105

  3. 3 Universidad del País Vasco/Euskal Herriko Unibertsitatea
    info

    Universidad del País Vasco/Euskal Herriko Unibertsitatea

    Lejona, España

    ROR https://ror.org/000xsnr85

  4. 4 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

Mostrar afiliaciones +
Revista:
Revista de educación

ISSN: 0034-8082

Año de publicación: 2018

Título del ejemplar: PISA y TIMSS (II)

Número: 380

Páginas: 156-184

Tipo: Artículo

DOI: 10.4438/1988-592X-RE-2017-380-376 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de educación

Resumen

En línea con los resultados anteriores del programa PISA, la edición de 2015 evidencia que uno de los principales problemas del sistema educativo español es que casi el 20% del alumnado se sitúa en los dos niveles inferiores de desempeño, y sólo 5% del alumnado consigue alcanzar los niveles más altos de competencia en la materia de ciencias. En relación a estos datos, el objetivo de este trabajo es doble. En primer lugar, caracterizar los grupos extremos de rendimiento en ciencias en el alumnado evaluado en PISA 2015. En segundo lugar, identificar las variables que tienen un impacto significativo en el desempeño de estos grupos a fin de generar información que permita intervenciones por parte de autoridades educativas o centros. Con esta intención se realiza un análisis secundario sobre la base de datos de estudiantes españoles de PISA 2015. Las variables que se analizan son indicadores de diversos constructos medidos en los cuestionarios de contexto aplicados a estudiantes, docentes y directivos. Los resultados muestran que las variables que más diferencian entre los dos grupos extremos de estudiantes son las relacionadas con la autoeficacia percibida en ciencias, el interés y disfrute por las cuestiones científicas y las creencias epistemológicas, entre otras. En el ámbito de la escuela, el indicador con más peso es el relacionado con los comportamientos del alumnado que dificultan el aprendizaje. El conjunto de variables que compone este factor apunta a la importancia de un clima escolar que favorezca y potencie un adecuado ambiente de trabajo en el aula.

€ Ver financiación

Información de financiación

Esta investigación ha sido financiada parcialmente por UNIR Research (http://research.unir.net), Universidad Internacional de La Rioja (http://unir.net), dentro del Plan de investigación 3 [2015- 2017]

Financiadores

Referencias bibliográficas

  • Breiman,  L.  (2001).  Random  Forests. Machine Learning, 45  (1),  5-32.  doi:10.1023/A:1010933404324.
  • Calero, J., Choi, A., and Waisgrais, S. (2010) Determinantes del riesgo de  fracaso escolar en España: una aproximación a través de un análisis  logístico  multinivel  aplicado  a  PISA-2006.  Revista de Educación, special issue, 225-256. 
  • Cordero, J., M., Crespo, E., and Pedraja, F. (2013). Rendimiento educativo  y determinantes según PISA: una revisión de la literatura en España.  Revista de Educación, 362, 273-297. doi: 10.4438/1988-592X-RE-2011362-161
  • De La Orden, A.  and  Jornet,  J.  (2012).  La utilidad de  las  evaluaciones  de  sistemas  educativos:  el  valor  de  la  consideración  del  contexto.  Bordón, 64 (2) 69-88.
  • Gaviria,  J.  L.  (2004).  La  situación  española:  el  rendimiento  de  los  estudiantes. In G. Haug, J. L. Gaviria, C. Lomas, M.D. de Prada, and  D. Gil (Eds.) (2004). El rendimiento de los estudiantes al final de la educación obligatoria: objetivos europeos y situación española, pp.1883. Madrid: Santillana.
  • Gervilla, E. and Palmer, A. (2009). Predicción del consumo de cocaína en adolescentes mediante árboles de decisión. Revista de Investigación en Educación, 6, 7-13. 
  • González Barbera, C., Caso Niebla, J., Díaz López, K., and López Ortega,  M. (2012). Rendimiento académico y factores asociados. Aportaciones  de algunas evaluaciones a gran escala. Bordón, 64 (2), 51-68.
  • Jornet,  J.,  López-González,  E.,  and  Tourón,  J.  (2012).  Evaluación  de  sistemas educativos: teoría y experiencia. Bordón, 64 (2), 9-12. 
  • Lizasoain,  L.  and  Joaristi,  L.  (2010).  Estudio  Diferencial  del  Rendimiento  Académico  en  Lengua  Española  de  Estudiantes  de  Educación  Secundaria  de  Baja  California  (México).  Revista Iberoamericana de Evaluación Educativa, 3  (3),  115-134. Retrieved  from http://www.rinace.net/riee/numeros/vol3-num3/art6. pdf .
  • Lizasoain, L.; Joaristi, L.; Santiago, C.; Lukas, J.F.; Moyano, N.; Sedano, M.,  and Munárriz, B. (2003). El uso de las técnicas de segmentación en la  evaluación del rendimiento en lenguas. Un estudio en la Comunidad  Autónoma Vasca. Revista de Investigación Educativa, 21 (1), 93-111.
  • López-González, E., González Such, J., and Lizasoain, L. (2012). Explicación  del rendimiento a partir del contexto. Algunas propuestas de análisis gráfico y estadístico. Bordón, 64 (2), 127-149.
  • OECD  (2007).  PISA 2006: Science Competence for Tomorrow’s World. Vol. 1: Analysis. Paris: PISA, OECD Publishing. Retrieved from http:// dx.doi.org/10.1787/9789264040014-en
  • OECD (2016). PISA 2015 Assessment and Analytical Framework: Science, Reading, Mathematic and Financial Literacy.  Paris:  PISA,  OECD  Publishing. Retrieved from http://dx.doi.org/10.1787/9789264255425en
  • Rosenthal, R. and Rosnow, R. L. (2008). Essentials of behavioral research: Methods and data analysis (3rd ed.). Boston: McGraw-Hill.
  • Tourón, J. (2011). Equality and Equity in Educational Systems: A Universal  Problem. Talent Development & Excellence, 3 (1), 103-105.
  • Tourón,  J.,  Lizasoain  Hernández,  L.,  Castro  Morera,  M.,  and  Navarro  Asencio, E. (2012). Alumnos de alto, medio y bajo rendimiento en Matemáticas en TIMSS. Estudio del  impacto de algunos  factores de  contexto. In: Instituto Nacional de Evaluación Educativa. PIRLS - TIMSS  2011. Estudio internacional de progreso en comprensión lectora, matemáticas  y  ciencias.  IEA. Volumen  II:  Informe  español. Análisis  secundario. Chapter 6. pp. 193-235. Madrid. Ministerio de Educación,  Cultura y Deporte.
  • Wigfield,  A.,  Eccles,  J.S.,  and  Rodriguez,  D.  (1998).  The development of children’s motivation in school contexts. Review of Research in Education, 23, 73.
Fuente de los datos: Dialnet