Creencias y rendimiento académico en matemáticas en el ingreso a carreras de ingeniería

  1. Jorge Daniel Mello-Román 1
  2. Inés M. Gómez-Chacón 2
  1. 1 Facultad de Ciencias Exactas y Tecnológicas Universidad Nacional de Concepción (Paraguay)
  2. 2 Facultad de Ciencias Matemáticas Universidad Complutense de Madrid
Revista:
Aula abierta

ISSN: 0210-2773

Año de publicación: 2022

Título del ejemplar: Avances en investigación educativa (quater)

Volumen: 51

Número: 4

Páginas: 407-415

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Aula abierta

Resumen

en la Universidad Nacional de Concepción de Paraguay. Se identifican las relaciones entre creencias y rendimiento académico en matemáticas. Asimismo, se examina la validez y fiabilidad del cuestionario CreeMat utilizado para este contexto. La población estuvo integrada por 113 estudiantes, y el muestreo fue no probabilístico y con participación voluntaria. Se implementaron diferentes técnicas de minería de datos para modelizar la relación entre las creencias y el rendimiento académico en matemáticas: Regresión Lineal Múltiple, Regresión de Mínimos Cuadrados Parciales y Redes Bayesianas. Los resultados ponen de manifiesto las relaciones entre diferentes dimensiones de creencias y el rendimiento, en las que cabe destacar las creencias positivas sobre la resolución de problemas y la dimensión afectiva y conductual relativa al compromiso del alumno con el aprendizaje matemático. Se confirma la validez y fiabilidad del cuestionario para esta población y contexto

Referencias bibliográficas

  • Abdi, H. (2010). Partial least squares regression and projection on latent structure regression (PLS Regression). Wiley interdisciplinary reviews: computational statistics, 2(1), 97-106. https://doi.org/10.1002/wics.51
  • Aiken, L. (2003). Evaluación de la personalidad: Orígenes Aplicaciones y Problemas. Test psicológicos y evaluación. 11ª ed. Editorial Pearson Educación.
  • American Educational Research Association, American Psychological Association, y National Council on Measurement in Education. (2018). Validez en Estándares para Pruebas Educativas y Psicológicas (pp. 11–34). American Educational Research Association. https://doi.org/10.2307/j.ctvr43hg2.5
  • Baldor, A. (2008). Álgebra de Baldor (2ª ed.). Patría.
  • Baldor, A. (2008). Aritmética de Baldor (2ª ed.). Patría.
  • Baldor, A. (2009). Geometría Plana y del Espacio de Baldor (2ª ed.). Patria.
  • Bergsten, C., Engelbrecht, J., y Kågesten, O. (2015). Conceptual or procedural mathematics for engineering students–views of two qualified engineers from two countries. International Journal of Mathematical Education in Science and Technology, 46(7), 979–990. https://doi.org/10.1080/0020739X.2015.1075615
  • Biza, I., Giraldo, V., Hochmuth, R., Khakbaz, A. S., y Rasmussen, C. (2016). Research on teaching and learning mathematics at the tertiary level. Springer Nature. https://doi.org/10.1007/978-3-319-41814-8
  • Brown, A. L. (1978). Knowing when, where, and how to remember. A problem of metacognition. En R. Glaser (Ed.), Advances in instructional psychology (Vol. 1, pp. 77–165). Erlbaum.
  • Caldera-Montes, J. F., Reynoso-González, O. U., Gómez-Covarrubia, N. J., Mora-García, O., y Anaya-González, B. B. (2017). Modelo explicativo y predictivo de respuestas de estrés académico en bachilleres. Ansiedad y estrés, 23(1), 20-26. https://doi.org/10.1016/j.anyes.2017.02.002
  • Carreto, R. R., Jaimes, F. G., Hernández, F. J. A., Rosas, F. S., y Ignacio, O. F. T. (2014). Un modelo empírico para explicar el desempeño académico de estudiantes de bachillerato. Perfiles Educativos, 36(146), 45-62. https://doi.org/10.22201/iisue.24486167e.2014.146.46027
  • Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of applied psychology, 78(1), 98. https://doi.org/10.1037/0021-9010.78.1.98
  • Cowell, R. (1998). Introduction to inference for Bayesian networks. En Jordan, M.I. (Eds.) In Learning in graphical models (pp. 9-26). Springer. https://doi.org/10.1007/978-94-011-5014-9_1
  • De la Orden, A., Olivero, L., Mafokozi, J. y González, C. (2001). Modelos de investigación del bajo rendimiento. Revista Complutense de Educación, 12(1), 159-178.
  • Erens, R. y Eichler, A. (2019). Belief changes in the transition from university studies to school practice. En M. Hannula, G. Leder, F. Morselli, M. Vollstedt, & Q. Zhang (Eds.), Affect and mathematics education (pp. 345-373). Springer Nature. https://doi.org/10.1007/978-3-030-13761-8_16
  • Evans, J. S. B. (2007). Hypothetical thinking: Dual processes in reasoning and judgement. London: Taylor & Francis Group Psychology Press.
  • Flavell, J. H. (1976). Metacognitive aspects of problem-solving. En L. B. Resnick (Ed.), The nature of intelligence (pp. 231–236). Erlbaum.
  • Frawley, W. J., Piatetsky-Shapiro, G., y Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI magazine, 13(3), 57-57.
  • Fredricks, J., Blumenfeld, P., y Paris, A. (2004). School engagement: potential of the concept, state of the evidence. Review of Educational Research, 74(1), 59–109. https://doi.org/10.3102/00346543074001059
  • Fullana, J. (2008). La investigació sobre l’exit i el fracàs escolar des la perspectiva dels factors de risc. Implicacions per a la recerca i la pràctica educatives. Tesis Doctoral, Universidad de Girona. https://www.tesisenred.net/handle/10803/7980
  • Geladi, P., y Kowalski, B. R. (1986). Partial least-squares regression: a tutorial. Analytica chimica acta, 185, 1-17. https://doi.org/10.1016/0003-2670(86)80028-9
  • Gómez-Chacón, I. M., García-Madruga, J. A., Vila, J. Ó., Elosúa, M. R., y Rodríguez, R. (2014). The dual processes hypothesis in mathematics performance: Beliefs, cognitive reflection, working memory and reasoning. Learning and Individual Differences, 29, 67-73. https://doi.org/10.1016/j.lindif.2013.10.001
  • Gómez-Chacón, I. M., Griese, B., Rösken-Winter, B., y Gónzalez-Guillén, C. (2015). Engineering students in Spain and Germany–varying and uniform learning strategies. En K. Krainer; N. Vondrová (Eds), Proceedings of the Ninth Congress of the European Society for Research in Mathematics Education (pp. 2117-2123), Feb 2015, Prague, Czech Republic.
  • Gómez-Chacón, I. M., Op ’t Eynde, P. y De Corte, E. (2006). Creencias de los estudiantes de matemáticas. La influencia del contexto de clase, Enseñanza de las Ciencias. Revista de investigación y experiencias didácticas, 24 (3), 309-324. https://doi.org/10.5565/rev/ensciencias.3784
  • Gómez-Chacón, I.M., Hochmuth, R., Jaworski, B., Rebenda, J., Ruge, J., Thomas. S. (Eds) (2021). Inquiry in University Mathematics Teaching and Learning: The Platinum Project. Brno: MUNI, Masaryk University Editor. https://doi.org/10.5817/CZ.MUNI.M210-9983-2021
  • Green, T. (1971). The activities of teaching. McGraw-Hill.
  • Griese, B., Glasmachers, E., Härterich, J., Kallweit, M., y Roesken, B. (2011). Engineering students and their learning of mathematics. En B. Roesken y M. Casper (Eds.), Current State of Research on Mathematical Beliefs. XVII Proceedings of the MAVI-17 Conference Sept. 17 - 20, (pp. 85-96). Professional School of Education, Ruhr-Universität Bochum.
  • Juste, R. P. (2009). Estadística aplicada a la educación. Prentice Hall.
  • Kouvela, E., Hernandez-Martinez, P., y Croft, T. (2018). “This is what you need to be learning": an analysis of messages received by first-year mathematics students during their transition to university. Mathematics Education Research Journal, 30, 165–183.
  • Leder, G., Pehkonen, E., y Törner, G. (Eds.). (2002). Beliefs: A hidden variable in mathematics education? Kluwer Academic Publishers. https://doi.org/10.1007/0-306-47958-3
  • Mello Román, J. D., y Giménez Amarilla, S. (2020). Una perspectiva de la educación Matemática en Paraguay. Contribuciones desde la Universidad Nacional de Concepción. Revista Paraguaya de Educación, 9(1).
  • Mello Román, J. D., y Hernández Estrada, A. (2019). Un estudio sobre el rendimiento académico en Matemáticas. Revista electrónica de investigación educativa, 21. https://doi.org/10.24320/redie.2019.21.e29.2090
  • Mello-Román, J. D., y Hernández, A. (2020). KPLS optimization with nature-inspired metaheuristic algorithms. IEEE Access, 8, 157482-157492. https://doi.org/10.1109/ACCESS.2020.3019771
  • Nisbet, R., Miner, G. D., y Yale, K. (2017). Handbook of Statistical Analysis and Data Mining Applications. Elsevier.
  • Op't Eynde, P., De Corte, E., y Verschaffel, L. (2002). Framing students' mathematics-related beliefs: A quest for conceptual clarity and a comprehensive categorization. En G. C. Leder, E. Pehkonen y G. Törner (Eds.), Beliefs: A hidden variable in mathematics education? (pp. 13–38). Dordrecht: Kluwer Academic Publishers. https://doi.org/10.1007/0-306-47958-3_2
  • Pedersen, I.F. y Haavold, P.O. (2022). Developing and validating survey instruments for assessing beliefs and motivation in mathematics, En J. Hodgen, et.al. (Eds), Proceedings of the Twelve Congress of the European Society for Research in Mathematics Education. Bolzano, Italy.
  • Pepin, B., y Rösken-Winter, B. (Eds) (2015). From beliefs and affect to dynamic systems: (exploring) a mosaic of relationships and interactions. Serie Advances in Mathematics Education. Springer.
  • Philipp, R. (2007). Mathematics teachers’ beliefs and affect. En F. Lester (Ed.), Second handbook of research on mathematics teaching and learning (pp. 257–315). Information Age.
  • Pintrich, P., y De Groot, E. (1990). Motivational and self-regulated learning components of classroom academic performance. Journal of Educational Psychology, 81(1), 33–40. https://doi.org/10.1037/0022-0663.82.1.33
  • Puga, J. L. (2012). Cómo construir y validar Redes bayesianas con netica. Rema, 17(1), 1-17.
  • Rodríguez Garcés, C., y Jarpa Arriagada, C. G. (2015). Capacidad predictiva de las notas en enseñanza media sobre el rendimiento en pruebas de selección universitaria: el caso chileno. Aula Abierta, 43(02), 61–68. https://doi.org/10.17811/rifie.43.02.2015.61-68
  • Rodríguez, J. R., y Alvarez, M. R. (2020). Calcular la fiabilidad de un cuestionario o escala mediante el SPSS: el coeficiente alfa de Cronbach. REIRE: revista d'innovació i recerca en educació, 13(2), 8. https://doi.org/10.1344/reire2020.13.230048
  • Rodríguez-Muñiz, L.J., Ferretti F., y Andrà, C. (en prensa), Mathematical Views. Proceedings of the 28th International Conference on Mathematical Views (MAVI28), 20-23 September. Universidad de Oviedo.
  • Roesken, B., Hannula, M. S., y Pehkonen, E. (2011). Dimensions of students’ views of themselves as learners of mathematics. ZDM, 43(4), 497–506. https://doi.org/10.1007/s11858-011-0315-8
  • Román, J. D. M. (2017). El enfoque de competencias en el currículo de Matemáticas de la Educación Media. La perspectiva docente sobre su implementación. Revista Internacional de Investigación en Ciencias Sociales, 13(1), 14-24. https://doi.org/10.18004/riics.2017.julio.14-24
  • Schneider, M., y Preckel, F. (2017). Variables associated with achievement in higher education: A systematic review of meta-analyses. Psychological Bulletin, 143(6),565–600. https://doi.org/10.1037/bul0000098
  • Smail, L. (2011). Uniqueness of the level two bayesian network representing a probability distribution. International Journal of Mathematics and Mathematical Sciences, 2011. https://doi.org/10.1155/2011/845398
  • Smail, L. (2017). Using Bayesian Networks to Understand Relationships among Math Anxiety, Genders, Personality Types, and Study Habits at a University in Jordan. Journal on Mathematics Education, 8(1), 17-34. https://doi.org/10.22342/jme.8.1.3405.17-34
  • Soares, A. P., Guisande, M. A., Diniz, A., y Almeida, L. S. (2006). Construcción y validación de un modelo multidimensional de ajuste de los jóvenes al contexto universitario. Psicothema, 18(2), 249–255.
  • Steinmayr, R., Meißner, A., Weidinger, A. F., y Wirthwein, L. (2014). Academic achievement. Oxford Bibliographies. https://doi.org/10.1093/OBO/9780199756810-0108
  • Sturmey, P., Newton, J. T., Cowley, A., Bouras, N., y Holt, G. (2005). The PAS–ADD Checklist: independent replication of its psychometric properties in a community sample. The British Journal of Psychiatry, 186(4), 319-323.
  • Tomás-Miquel, J. V., Expósito-Langa, M., y Sempere-Castelló, S. (2014). Determinantes del rendimiento académico en los estudiantes de grado. Un estudio en administración y dirección de empresas. Revista de investigación educativa, 32(2), 379-392. https://doi.org/10.6018/rie.32.2.177581
  • Tossavainen, T., Rensaa, R. J., y Johansson, M. (2019). Swedish first-year engineering students’ views of mathematics, self-efficacy and motivation and their effect on task performance. International Journal of Mathematical Education in Science and Technology, 23-38. https://doi.org/10.1080/0020739X.2019.1656827
  • Zakariya, Y. F., Nilsen, H.K., Goodchild, S., y Bjørkestøl, K. (2020). Self-efficacy and approaches to learning mathematics among engineering students: empirical evidence for potential causal relations, International Journal of Mathematical Education in Science and Technology. https://doi.org/10.1080/0020739X.2020.1783006
Fuente de los datos: Dialnet