082_-TOMO II- Pág[1].383-543
Transcript of 082_-TOMO II- Pág[1].383-543
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 1/25
383
PREDICTORES SOCIAL-COGNITIVOS DEL RENDIMIENTO
ACADÉMICO EN MATEMÁTICA Y LENGUA
Marcos Cupani y Edgardo Pérez
Introducción
En la valoración del proceso de aprendizaje el sistema educativo
utiliza distintas metodologías que permiten, a través de una estimación
generalmente cuantitativa, evaluar el rendimiento académico de los
estudiantes. Esta última variable es compleja y resulta de la influencia
e interacción de factores de diversa índole, tales como las creencias de
autoeficacia, las aptitudes cognitivas, ciertos rasgos de personalidad, así
como variables contextuales relacionados con la institución educativa y el
entorno familiar (Tenti Fanfani, 2002).
Identificar con exactitud cuáles son estos factores y su grado de
incidencia, es uno de los principales objetivos de la psicología educacional.
Byrnes y Miller (2007) consideran que los principales predictores delrendimiento académico pueden clasificarse en tres categorías. Los factoresde oportunidad son contextos definidos culturalmente en los cuales se
presenta el contenido a aprender (por ejemplo, un profesor, una clase o un
programa educativo), los cuales pueden tener lugar tanto dentro como fuera
del ámbito propiamente escolar. Los factores de propensión se relacionan
con la capacidad o la motivación para aprender una vez que el contenido
de aprendizaje ha sido presentado en determinados contextos. Tanto los
factores cognitivos (inteligencia, aptitudes, habilidades preexistentes) como
los constructos motivacionales (intereses, autoeficacia, valores intrínsecos,
autorregulación) pueden incluirse en esta categoría. Finalmente, los factores
distales aparecen más tempranamente y explican parcialmente la apariciónde los factores de oportunidades y de propensión. Dentro de estos factores
podemos incluir el nivel socioeconómico, las expectativas educativas
parentales y el apoyo de los padres a sus hijos (Roscigno, 2000).
El proceso de identificar las principales variables que predicen el
rendimiento académico es una actividad necesaria pero no suficiente,
adicionalmente se requiere explicitar las relaciones teóricas que permitan
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 2/25
384
explicar esta variable educativa relevante.
Unos de los modelos teóricos más influyentes en la actualidad es
la teoría social cognitiva (Bandura, 1987; 1997) y, particularmente, el
constructo de la autoeficacia. En esta teoría el aprendizaje es concebido
como la adquisición de conocimientos a través del procesamiento de la
información, destacándose el papel atribuido a los procesos cognitivos
como así también un énfasis en el origen social del pensamiento y el
comportamiento humano. En este enfoque, el pensamiento y la acción
humana se perciben como el producto de la interacción dinámica de factores
personales (cogniciones, afectos, estados biológicos), conductuales y
ambientales. De esta manera, la interpretación que las personas realicen de
los resultados de su comportamiento afectará sus pensamientos, emociones
y demás factores personales, los cuales a su vez influirán en su conducta
subsiguiente y en la forma en que estructuren su entorno.
La autoeficacia es un constructo esencial en la teoría social cognitiva,
y se la ha definido como creencias acerca de las propias capacidades
para organizar y ejecutar las acciones requeridas que permitan lograr
un rendimiento exitoso en dominios específicos (Bandura, 1987). La
autoeficacia permite predecir el rendimiento académico en varios dominios
más allá de la contribución realizada por las aptitudes cognitivas y/o elrendimiento previo.
En un exhaustivo análisis multivariado, incluyendo como predictores
una escala de autoeficacia matemática, aptitud cognitiva general, sexo,
notas previas en matemáticas y ansiedad ante la matemática, Pajares y
Kranzler (1995) encontraron que la influencia directa de la autoeficacia
sobre el rendimiento en esa asignatura (β =0,35) fue tan fuerte como el
efecto de la habilidad objetiva (β =0,32). Del mismo modo, diferentes
análisis semejantes (Pajares & Johnson, 1996; Pajares & Valiante, 1999)
demostraron que la autoeficacia para la escritura realizó una contribución
independiente a la predicción del rendimiento en escritura aún cuando
poderosas co-variables, tales como el rendimiento previo en ese dominio,
fueran incluidas en los modelos estadísticos. También se ha verificadola fortaleza predictiva de la autoeficacia en relación al rendimiento
académico en lectura (Shell, Colvin, & Bruning, 1989) y en ciencia
(Britner & Pajares, 2001).
En otras investigaciones meta-analíticas se demostró que la correlación
entre autoeficacia y rendimiento académico variaba entre r=0,38
(Multon, Brown, & Lent, 1991) y r=0,50 (Robbins, Lauver, Le, Davis,
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 3/25
385
& Langley, 2004), resultando esta última una estimación menos sesgada.
Por consiguiente, la autoeficacia explicaría entre un 14% y un 25% de
la varianza del rendimiento académico. Por otra parte, Robbins et. al.
(2004) encontraron relaciones positivas, estadísticamente significativas y
moderadas (r=0,39) entre la aptitud cognitiva general de los estudiantes y
el rendimiento académico. En general, los resultados son coincidentes en el
sentido que las aptitudes cognitivas y la autoeficacia para rendimiento son
las únicas variables que influyen de manera directa sobre el rendimiento en
escritura, matemática, ciencia e inglés, explicando en conjunto un 50% de
la varianza de las calificaciones en esas asignaturas.
Además de la autoeficacia existen otros constructos motivacionales
relacionados con el rendimiento académico, tales como utilidad percibida
de un dominio, ansiedad, metas de rendimiento, orientación de género,
autoconcepto y autoeficacia para el aprendizaje o autorregulatoria (Pajares,
Miller, & Johnson, 1999; Pajares & Johnson, 1996). No obstante, estas
variables demostraron escasa utilidad para explicar directamente el
desempeño en Matemática, Ciencia y Escritura cuando se controló el efecto
de la autoeficacia para el rendimiento y de las aptitudes cognitivas.
En nuestro medio se están elaborando modelos explicativos del
rendimiento académico en matemática y lengua (Cupani, 2008a; Pérez,Medrano, Mattus, & Ayllón, en prensa). Especialmente se investiga
utilizando muestras de adolescentes tempranos ya que se ha demostrado
que ésta es una etapa crítica para el aprendizaje, con un declive en el
rendimiento académico, producto tanto de los desafíos crecientes de
la enseñanza media respecto a la educación elemental como de algunas
características psicobiológicas de la pubertad (Zimmerman, Bonner, &
Kovach, 1996).
Por otro lado, se investiga preferentemente el rendimiento en las
asignaturas Matemática y Lengua debido a que los resultados del Programme
for International Student Assessment (PISA) creado por la Organización
para la Cooperación Económica y el Desarrollo (OECD, por sus siglas en
inglés) indica que el rendimiento de los estudiantes secundarios argentinosen matemática y lengua fueron desalentadores. De un total de 57 países la
Argentina quedó ubicada en el lugar 52° y, en comparación a la evaluación
del año 2000, los resultados han empeorado progresivamente.
En este trabajo se describen dos estudios empíricos realizados en la
ciudad de Córdoba, Argentina. Una de las investigaciones se propone
explicar el rendimiento académico de los adolescentes en la asignatura
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 4/25
386
Matemática y la restante en Lengua. En ambos trabajos se utilizó path
análisis como método para evaluar las hipótesis formuladas, relacionadas
con la teoría social-cognitiva del rendimiento académico.
Estudio 1. Un modelo social cognitivo del rendimiento académico enMatemática
El objetivo general de este trabajo es evaluar las principales hipótesis
del modelo de rendimiento académico en matemática de la Teoría Social-
Cognitiva del Desarrollo de Carrera (SCCT) en una muestra de adolescentes
pertenecientes al tercer ciclo de Educación General Básica de nuestro país
(Argentina), y observando específicamente los efectos directos e indirectos
de las variables aptitud en matemática, autoeficacia lógica-matemática,
expectativas de resultados en matemática y metas de rendimiento en
matemática.
La Teoría Social Cognitiva de la Carrera (SCCT) propuesta por Lent,
Brown y Hackett (1994) representa un notable esfuerzo de integración
de diferentes modelos y constructos, con la finalidad de comprender los
mecanismos que regulan la elección de carrera y el rendimiento académico.
Estos autores proponen una serie de relaciones teóricas así como ciertas
vías causales, respetando el modelo de causalidad triádica (Bandura, 1987),y enfatizando tres componentes principales: creencias de autoeficacia,
expectativas de resultados y metas. En el modelo de rendimiento académico
estos autores consideran, que la calidad del rendimiento logrado va
a depender, en gran parte de las metas de rendimiento que el sujeto se
proponga. Las metas de rendimiento poseen un rol importante ayudando a
las personas a regular sus esfuerzos, persistir en las tareas elegidas, y dirigir
la atención hacia su propia conducta y los resultados de la misma. Además,
las aptitudes reales del individuo afectan el nivel de rendimiento posterior
a través de dos vías: a) directamente, en forma de habilidades desarrolladas
de maestría y b) indirectamente, a través de los juicios de autoeficacia y
las expectativas de resultados. A su vez, la autoeficacia afecta al nivel de
rendimiento tanto directamente como indirectamente, a través de las metasde rendimiento.
Por lo tanto, las hipótesis de este estudio fueron las siguientes: a) la
aptitud matemática predice el rendimiento académico en matemática de
modo directo e indirectamente vía autoeficacia lógico-matemática y las
expectativas de resultado en matemática, b) la creencias de autoeficacia
lógico-matemática predicen el rendimiento académico en matemática de
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 5/25
387
modo directo e indirectamente vía metas de rendimiento en matemática,
c) las expectativas de resultados en matemática predicen el rendimiento
académico en matemática de modo indirecto vía metas de rendimiento
en matemática, y d) las metas de rendimiento en matemática predicen de
modo directo el rendimiento académico en matemática.
Métodología
ParticipantesLa muestra estuvo compuesta por 277 adolescentes de ambos sexos,
de los cuales 102 fueron mujeres (36,8%) y 175 varones (63,2%). Los
participantes cursaban octavo (45,8%) y noveno (53,4%) año del ciclo final
de Educación General Básica (EGB), con edades comprendidas entre 12
y 16 años (M = 13,74, DS = 0,67) y realizaban sus estudios en colegios
privados de la ciudad de Córdoba, Argentina.
Instrumentos Escala de Expectativa de Resultados y Metas de Rendimiento. Para
medir estas variables se utilizó la versión adaptada (Cupani, 2008a) de
las subescalas de expectativas de resultados en matemática y metas en
matemática de la Escala de Autoeficacia para Enseñanza Media (MiddleSchool Self-Efficacy Scale, Fouad, Smith, & Enochs, 1997). Esta nueva
versión incluye nueve ítems (ej., Si aprendo Matemática, en el futuro podréconseguir un trabajo importante) para medir expectativas de resultados en
matemática, y diez ítems (ej., Este año me he propuesto obtener buenasnotas en Matemática) para medir metas de rendimiento en matemática.
En ambas escalas los respondientes emplean una escala likert con cinco
opciones de repuestas, desde muy en desacuerdo (1) hasta muy de acuerdo
(5). En esta investigación el coeficiente alfa de Cronbach para expectativas
de resultados en matemática fue de 0,83 y para metas de rendimiento en
matemática se obtuvo un α = 0,87.
Escala de Autoeficacia Lógico-Matemática.Esta escala integra el Inventario de Autoeficacia para Inteligencias Múltiples
Revisado (IAMI-R, Pérez, & Cupani, 2008). El IAMI-R mide la seguridad
de los estudiantes secundarios para realizar actividades relacionadas con las
inteligencias múltiples propuestas por Gardner (1999) y comprende ocho
escalas (Espacial, por ejemplo) y 48 ítems (“dibujar con precisión”, por
ejemplo). El individuo debe responder a cada uno de ellos empleando una
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 6/25
388
escala Likert de diez alternativas, desde 1 “Nada seguro de poder realizar
esta actividad” a 10 “Totalmente seguro de poder realizar exitosamente esa
actividad”. La escala de Autoeficacia Lógico-Matemática, específicamente,
comprende seis ítems (“realizar mentalmente cálculos numéricos”, por
ejemplo) y el coeficiente alfa en esta investigación fue de 0,83.
Test de Aptitudes Diferenciales Versión 5 (DAT–5) (Bennett, Seashore, &
Wesman, 2000). Esta prueba es de administración colectiva y mide ocho
aptitudes: Razonamiento Verbal, Razonamiento Numérico, Razonamiento
Abstracto, Rapidez y Exactitud Perceptiva, Razonamiento Mecánico,
Relaciones Espaciales, Ortografía y Uso del Lenguaje. Bennett et al. (2000)
informaron un nivel adecuado de consistencia interna, con coeficientes de
confiabilidad comprendidos entre 0,75 y 0,92. Para este trabajo se utilizó el
subtest de Razonamiento Numérico, que mide la capacidad para comprender
relaciones y conceptos expresados con números. En esta investigación el
índice de confiabilidad (KR 20) del subtest de Razonamiento numérico fue
de 0,81.
La variable rendimiento académico fue medida mediante el promedio
final del año electivo en la asignatura Matemática. Cada docente evalúa,
durante el año lectivo, con una escala de calificaciones de 0 a 10 y losestudiantes aprueban la asignatura con una calificación de 7 o superior.
ProcedimientoLas escalas de expectativas de resultados y metas en matemáticas (Cupani,
2008a), la escala de autoeficacia lógico-matemática (Pérez & Cupani, 2008),
y el subtest de Razonamiento Numérico (DAT-5, Bennett et al., 2000) fueron
administradas por uno de los autores de este trabajo. La administración
fue colectiva y en un horario regular de clase, con autorización previa de
los profesores de cada curso, solicitando la colaboración de cada alumno
y enfatizando la naturaleza voluntaria de su participación. Debido a que
este es un estudio tipo ex post facto prospectivo con más de un eslabón
causal (Montero & León, 2007), la administración de las escalas se realizórespetando los eslabones causales propuestos por la SCCT. En el mes de
abril de 2007 se administró el subtest de Razonamiento Numérico; luego
de un mes, aproximadamente, se administró la escala de expectativas de
resultados y la autoeficacia lógico-matemática, y después de 3 semanas se
administró la escala de metas de rendimiento en matemática. Al terminar el
año electivo, se le solicitó a cada institución escolar los promedios finales
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 7/25
389
que obtuvieron los alumnos en la asignatura Matemática. Para los análisis
estadísticos se utilizaron los programas SPSS y AMOS.
ResultadosEn primer lugar se examinó la calidad de la base de datos. De este
modo, se identificaron casos atípicos univariados mediante el cálculo de
puntuaciones estándar para cada una de las variables. Se consideraron
atípicos aquellos casos con puntuaciones z superiores a 3,29 (prueba de dos
colas, p<0,001). También se utilizó la prueba de Mahalanobis (p<0,001) a
los fines de examinar casos atípicos multivariados (Tabachnick & Fidell,
2001). Como resultado de estos análisis previos se descartaron 4 casos.
La normalidad multivariada fue evaluada con el coeficiente de Mardia
(1970). El valor de este coeficiente fue de 3,202 (p > 0,05), indicando que
la distribución se aproxima a la normal. Los índices de asimetría y curtosis
de todas las variables están comprendidos entre -0,85 a -0,08 y -0,48 a
0,92, respectivamente, valores considerados óptimos para los análisis
paramétricos propuestos (George & Mallery, 2001). Posteriormente, se
efectuó un análisis bivariado (r de Pearson) con el objetivo de identificar
las interrelaciones de las variables incluidas en el modelo. Se observaron
correlaciones moderadas entre las variables (desde 0,24 a 0,54, todas en unnivel se significación de p = <0,01).
El ajuste del modelo path propuesto (ver figura 1) se verificó mediante el
programa AMOS 16 (Arbuckle & Wothke, 1999) y el método de estimación
empleado fue el de Máxima Verosimilitud. Tal como sugiere la literatura
(Hu & Bentler, 1995), para corroborar el ajuste del modelo se emplearon
varios indicadores. Específicamente, se utilizó el estadístico chi-cuadrado,
la razón de chi-cuadrado sobre los grados de libertad (CMIN/DF), el índice
de ajuste comparativo (CFI), el índice de bondad de ajuste (GFI), y el error
cuadrático medio de aproximación (RMSEA). Los valores esperados para
considerar que el modelo ajusta convenientemente son los siguientes: la
razón de chi cuadrado sobre los grados de libertad con valores inferiores a
3 (Kline, 2005); para los índices CFI y GFI valores entre 0,90 y 0,95 y parael RMSEA valores entre 0,05 y 0,08 (Hu & Bentler, 1995).
Los resultados indican que el modelo propuesto ajusta óptimamente
(GFI = 0,99; CFI = 0,99, RMSEA = 0,06). El test de chi cuadrado y el chi
cuadrado sobre los grados de libertad ( x² (2) = 4,308, p = 0,116; CMIN/DF
= 2,154) confirman el buen ajuste del modelo a los datos. Adicionalmente,
la inspección de los coeficientes residuales (mediana = 0,00, rango = -0,37 a
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 8/25
390
+ 0,07) sugiere que el modelo ajusta suficientemente bien como para poder
interpretar los coeficientes path estandarizados (Browne et al., 2002). En la
tabla 1 se presentan los efectos totales, indirectos y directos de las variables
contempladas en el análisis.
Tabla 1. Descomposición de los efectos estandarizados totales, directos eindirectos de las variables incluidas en el Modelo Path
Se analizaron los efectos totales, indirectos y directos de las variables
incluidas en el modelo, y se utilizó la prueba de Sobel para examinar la significación de los efectos indirectos (Kline, 2005). Los resultados
apoyan las hipótesis que postulaban relaciones positivas y significativas
entre el promedio en matemática y las aptitudes matemáticas ( β = 0,34, p
< 0,01), la autoeficacia lógico-matemática ( β = 0,30, p < 0,01), y las metas
de rendimiento ( β = 0,27, p = 0,01), respectivamente (ver Figura 1). En
relación a los efectos indirectos, se observó que la contribución predictiva
COGNICIÓN Y RENDIMIENTO ACADÉMICO
Efectos Efectos
Directos
Efectos
Indirectos
Efectos Totales
Autoeficacia Lógico-Matemática
desde Aptitud en Matemática .40*** . 00 . 40***
Expectativas de resultados en
Matemática
desde Aptitud en Matemática -.10 . 11 .02
desde Autoeficacia Lógico-
Matemática
.29*** . 00 . 29***
Metas de Rendimiento en Matemática
desde Aptitud en Matemática .00 .13** . 13**
desde Autoeficacia Lógico-Matemática
.30*** .09***
.39***
desde Expectativas de resultados en
Matemática
.31*** . 00
.31***
Rendimiento académico en
Matemática
desde Aptitud en Matemática .34*** .10*** . 44***
desde Autoeficacia Lógica-
Matemática
.30*** .10*** . 40***
desde Expectativas de resultados en
Matemática
.00 .09*** . 09***
desde Metas de Rendimiento enMatemática
.27*** . 00 . 27***
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 9/25
391
de las aptitudes al rendimiento académico fue parcialmente mediada por
las creencias de autoeficacia lógico-matemática (0,34 x 0,30 = 0,10, Z = 5,24, p < 0,000). Por otro lado, las aptitudes se relacionan de manera
negativa y no significativa con las expectativas de resultados ( β = -0,10,
p = 0,13), por lo tanto, no se pudo corroborar la contribución indirecta de
las aptitudes mediante la vía de las expectativas de resultados. El efecto
total de las aptitudes sobre el rendimiento académico en matemática fue de
0,44 (efecto directo 0,34 + indirecto 0,10). También se pudo corroborar lacontribución predictiva indirecta al rendimiento académico de las creencias
de autoeficacia lógico-matemática (0,30 x 0,27 = 0,08, Z = 3,62, p < 0,000),
y de las expectativas de resultados (0,31 x 0,27 = 0,09, Z = 3,32, p < 0,000)
mediadas, parcial y totalmente, por las metas de rendimiento. También se
observó una relación positiva y significativa (β = 0,29; p < 0,01) entre
las creencias de autoeficacia lógico-matemática y las expectativas de
resultados.
Modelo de rendimiento académico propuesto por la SCCT (Lent, Brown,
& Hackett, 1994). En cada vía causal se observa los coeficientes path
estandarizados y su nivel de significación (*** p = <0,001).
Figura 1.
DiscusiónLos resultados apoyan de modo general las hipótesis propuestas con una
excepción (las aptitudes en matemáticas de los estudiantes no contribuyen
a predecir las expectativas de resultados en esta asignatura). El modelo
explicó un 44% de la varianza del rendimiento académico en matemática,
logrando verificar la contribución directa de las aptitudes numéricas, las
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 10/25
392
creencias de autoeficacia lógico-matemática y las metas de rendimiento.
Estos resultados coinciden con la literatura ya que se ha demostrado
repetidamente que la autoeficacia realiza una contribución independiente
a la predicción de resultados académicos, aún cuando se incluyan en los
modelos predictivos poderosas co-variables como las aptitudes (Pajares,
1996; Lent, Brown & Hackett, 1994; Multon, Brown & Lent, 1991).
Las aptitudes en matemática explicaron un 16% de la varianza de
las creencias de autoeficacia lógico-matemática. Por consiguiente, pudo
corroborar que las aptitudes afectan al rendimiento académico no solo de
manera directa sino también de manera indirecta a través de las creencias
de autoeficacia. La influencia de las aptitudes sobre el rendimiento
académico es parcialmente mediada por las creencias de autoeficacia, las
cuales contribuyen a delinear que hacen las personas con las habilidades y
el conocimiento previo que poseen (Pajares, 2003).
Por otro lado, los resultados de este estudio indican que las creencias de
autoeficacia ( β =0,30) y las expectativas de resultados ( β =0,31) explican
un 23% de la varianza de las metas de rendimiento. También se verificó una
contribución significativa ( β =0,29) de las creencias de autoeficacia sobre
las expectativas de resultados. Esto sugiere que las creencias de autoeficacia
y las expectativas de resultados predicen las metas de rendimiento, y que lascreencias de autoeficacia contribuyen a predecir las metas de manera directa
e indirecta a través de las expectativas de resultados, coincidiendo con los
postulados teóricos de la SCCT (Lent et al. 1994). De esta manera, el efecto
total de las creencias de autoeficacia lógico-matemática sobre el rendimiento
académico en matemática es 0,40 (efecto directo 0,30 + indirecto 0,10) y el
efecto indirecto de las expectativas de resultados es de 0,09.
En este trabajo observamos un efecto negativo y no significativo (-0,10)
de las aptitudes sobre las expectativas de resultados. Pese a que algunas
investigaciones previas han encontrado relaciones significativas entre estas
dos variables (Ferry, Fouad & Smith., 2000), otros estudios (por ejemplo,
Navarro, Flores & Worthington, 2007) informaron resultados similares a
los aquí observados. Se ha propuesto que la falta de una articulación teóricaentre las experiencias de aprendizaje y las expectativas de resultados en la
teoría social cognitiva (Bandura, 1987) y en la SCCT (Lent et al., 1994)
podría explicar estas conclusiones contradictorias (Navarro, Flores &
Worthington, 2007). Deberían planificarse estudios ulteriores para explorar
como los factores contextuales ayudan a dar forma a las experiencias de
aprendizaje, las que a su vez determinan y modifican las expectativas de
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 11/25
393
resultados mediante las cuatro fuentes de información de la autoeficacia
(ej., aprendizaje vicario) (Lent, Brown & Hackett, 1994).
Unas de las limitaciones que deben tenerse en cuenta para la
interpretación y generalización de los resultados de esta investigación
está relacionada con la representatividad de la muestra, que estuvo
exclusivamente compuesta por estudiantes de colegios privados. Por lo tanto,
los resultados obtenidos no pueden ser generalizados a otros estudiantes
de diferentes niveles socioeconómicos, por ejemplo, los pertenecientes a
instituciones estatales. Para futuras investigaciones, además de utilizar una
muestra más heterogénea, sería conveniente utilizar una medida específica
para diferenciar los diferentes niveles socioeconómicos de los estudiantes
y explorar como influyen estos factores, denominados por algunos autores
como causas distales del rendimiento académico (Byrnes & Miller, 2007),
en las creencias de autoeficacia, expectativas de resultados y metas de
rendimientos de los estudiantes.
Estudio 2. Un modelo Social Cognitivo del rendimiento en Lengua
El objetivo general de este trabajo fue verificar el ajuste de un modelo
social-cognitivo básico del rendimiento académico en Lengua, en una
muestra de adolescentes argentinos de noveno año, identificando los efectosdirectos e indirectos de las variables aptitud verbal, autoeficacia para la
escritura y autoeficacia para el rendimiento en Lengua. Adicionalmente,
nos propusimos corroborar la contribución explicativa de la estructura
de metas áulicas de maestría a la autoeficacia para la escritura y para el
rendimiento en Lengua, respectivamente.
Este modelo teórico (ver Figura 2) se apoya en los postulados de la
teoría social cognitiva del rendimiento académico (Bandura, 1997; Pajares,
2003), así como en evidencia empírica indirecta suministrada por las
investigaciones mencionadas anteriormente, mayoritariamente orientadas
a la predicción del rendimiento en Matemática, Ciencia, Escritura e Inglés
(ej., Britner & Pajares, 2001). El modelo respeta la teoría del determinismo
triádico (Bandura, 1987), en el sentido que las experiencias contextuales previas (estructura de metas áulicas, por ejemplo) influyen en las creencias
personales (autoeficacia, por ejemplo), las cuales a su vez afectan los
resultados académicos de los estudiantes (promedio de calificaciones, por
ejemplo).
Las hipótesis de este estudio fueron las siguientes: a) la aptitud
verbal predice el rendimiento académico en Lengua de modo directo e
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 12/25
394
indirectamente vía autoeficacia para la escritura, b) la estructura de metas
áulicas de maestría predice de modo directo la autoeficacia para la escritura
y para Lengua, c) la autoeficacia para la escritura predice de modo directo
la autoeficacia para Lengua y de modo indirecto el rendimiento académico
en Lengua vía autoeficacia para Lengua, y d) la autoeficacia para Lengua
predice de modo directo el rendimiento académico en Lengua.
Método
ParticipantesLa muestra de investigación fue accidental y estuvo inicialmente
compuesta por 130 estudiantes de noveno año de tres escuelas privadas
(dos confesionales, una laica) de nivel socioeconómico medio-alto, de
la ciudad de Córdoba, Argentina. La muestra incluyó 75 mujeres y 45
varones, con edades comprendidas entre 13 y 15 años (M=14; s=0,48). Un
total de diez participantes no completaron una o más pruebas por haber
estado ausente en alguno de los días de administración de las mismas. De
este modo, la muestra final incluyó 120 participantes.
Procedimiento
Los participantes completaron la serie de instrumentos durante un períodode tres meses, de manera grupal y en horarios regulares de sus clases de
Lengua. Debido a que éste es un estudio ex post facto prospectivo con
más de un eslabón causal (Montero & León, 2007), la administración
de las escalas se realizó respetando los eslabones causales del modelo
teórico propuesto. En el mes de Agosto de 2008 se administró el test de
aptitud verbal y la escala de estructura percibida de metas de maestría.
Durante el mes de Septiembre se administró la escala de autoeficacia para
la escritura y el mes siguiente la escala de autoeficacia para Lengua. En el
mes de Diciembre se registraron los promedios de calificaciones en Lengua
obtenidos por los estudiantes en el último semestre. La participación de
los adolescentes en la investigación fue voluntaria y contó con expresa
autorización de las autoridades escolares. Se realizó una devoluciónindividual de los resultados del test de aptitud verbal y de la escala de
autoeficacia para la escritura a los participantes interesados, destacando
que esta información podría ser de utilidad para su elección de especialidad
de secundario (a realizar al final de noveno año).
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 13/25
395
InstrumentosLa Escala de autoeficacia para la escritura incluye 10 ítems donde los
adolescentes deben evaluar su seguridad para realizar exitosamente
actividades de escritura (ej., escribir una redacción breve sin faltas de
ortografía), utilizando una escala de respuesta de 1 (nada seguro de poder
hacer esto) a 10 (totalmente seguro de poder hacer esto). En un estudio
con estudiantes del mismo nivel educativo empleado en esta investigación,
Pajares, Hartley & Valiante (2001) informaron un coeficiente alfa de 0,91
para este instrumento. En un estudio previo (Pérez, Medrano, Mattus &
Ayllón, en prensa) se adaptó a nuestra población la escala de autoeficacia
para la escritura, obteniendo un coeficiente alfa de 0,83. En la presente
investigación se observó un coeficiente α =0,75
La Escala de autoeficacia para rendimiento en Lengua mide la seguridad
percibida de los estudiantes para aprobar y obtener buenas calificaciones en
Lengua. Este instrumento se responde con una escala que va desde 1 (nada
seguro de poder obtener ese promedio de calificaciones) a 6 (totalmente
seguro de poder obtener ese promedio de calificaciones) y posee cinco ítems
(ej., obtener un promedio de 8). En varias investigaciones con estudiantes
de secundario básico (middle school) se obtuvieron índices de consistencia
interna elevados (coeficiente alfa de Cronbach), comprendidos entre 0,86a 0,93 (Pajares, 2003). En un estudio previo (Pérez, Medrano, Mattus &
Ayllón, en prensa) se adaptó a nuestra población esta escala obteniendo
un coeficiente alfa de 0,88. En la presente investigación el coeficiente α
fue =0,92.
La Escala de Estructura Percibida de Metas Áulicas de Maestría
comprende seis ítems (ej., “en nuestras clases es más importante
comprender un tema que memorizarlo”) y se responde con una escala
likert de seis posiciones, entre 1 (nada parecido a mis clases de Lengua)
a 6 (muy parecido a mis clases de Lengua). La escala original (Midgley,
Maehr, Hruda, Anderman, & Freeman, 2000) demostró una consistencia
interna aceptable (alfa=0,76) en el mismo nivel educativo que esta
investigación. En una investigación precedente (Pérez, Furlán, Medrano &Mattus, 2008) se adaptó esta escala, evidenciando una consistencia interna
semejante (coeficiente alfa 0,75). En la presente investigación se observó
un coeficiente α =0,72
El subtest de Razonamiento Verbal del DAT-5 (Bennet, Seashore &
Wesman, 2000) constituye una medida de la aptitud para comprender
conceptos y relaciones expresadas a través de palabras. La prueba presenta
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 14/25
396
40 analogías a las que les faltan la primera y la última palabra (ej., “…
es a maullar como perro es a….”), y el examinado debe elegir la opción
correcta entre cinco pares de palabras que se proponen como alternativas
de respuesta (ej., “gato” y “ladrar”). La puntuación directa del subtest es
igual al número de aciertos. En esta investigación se utilizó el Nivel 1 del
test, adecuado para estudiantes de séptimo a noveno año. Para la versión
española el coeficiente Kuder Richardson fue de 0,85 en una muestra de
estudiantes secundarios de noveno año. En la presente investigación se
obtuvo un coeficiente Kuder Richardson de 0,66.
El promedio de calificaciones en Lengua estuvo conformado por la
media de las calificaciones obtenidas por cada estudiante en el segundo
semestre del año lectivo 2008. Cada docente evalúa a los estudiantes
durante el semestre, mediante pruebas escritas y orales, empleando una
escala de calificaciones de 0 a 10 y los estudiantes aprueban la asignatura
con un promedio de 7 o superior.
Resultados
Para verificar el cumplimiento de los supuestos de los procedimientos
estadísticos planificados, se efectuó un análisis exploratorio de los datos y
se obtuvieron los estadísticos descriptivos usuales. Los índices de asimetríay curtosis de todas las variables están comprendidos entre -0,52 a 0,51
y -0,86 a 0,36, respectivamente, valores considerados óptimos para los
análisis paramétricos propuestos (George & Mallery, 2001). Con el objeto
de detectar casos típicos univariados se calcularon las puntuaciones típicas
de cada variable, considerando potenciales casos atípicos aquellos con
valores fuera del rango ±3 (Tabachnick & Fidel, 2001). Sólo se observó
un caso atípico univariado, en la variable autoeficacia para la escritura,
el cual fue eliminado. No se identificaron casos atípicos multivariados
al utilizar la prueba de distancia de Mahalanobis (D²). Finalmente, se
verificó la linealidad de las relaciones mediante la función de estimación
curvilínea (Gardner, 2003) y la ausencia de multicolinealidad entre las
variables mediante los índices de tolerancia (valores superiores a 0,10)y de inflación de la varianza (valores inferiores a 10). No se observaron
valores superiores a r = 0,85 al realizar un análisis correlacional bivariado,
permitiendo descartar posible multicolinealidad entre las variables.
Todos los predictores del modelo correlacionan de manera positiva y
estadísticamente significativa con el promedio de calificaciones en Lengua
(desde 0,26 a 0,59, todas en un nivel se significación de p = <0,01). Del
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 15/25
397
mismo modo, la estructura percibida de metas de maestría correlaciona de
manera positiva, moderada y significativa con las dos dimensiones de la
autoeficacia, para escritura (r = 0,32, p = <0,01) y para Lengua (r = 0,29, p = <0,01).
Para realizar una estimación y evaluación del ajuste del modelo
propuesto, se realizó un path análisis utilizando el programa AMOS 16
(Arbuckle & Whotke, 1999). Se examinó la identificabilidad del modelo
(modelo sobre-identificado; gl=2) y el ajuste del mismo considerando
múltiples indicadores (Hu & Bentler, 1995). Dado que los resultados
evidenciaron un ajuste óptimo ( χ² =2,75; p<0,25; GFI=0,99; CFI=0,99;
RMSEA=0,05), se procedió a la estimación de los coeficientes path
mediante el método de Máxima Probabilidad. Como puede observarse
en la figura 2, todos los coeficientes presentaron valores significativos
exceptuando el coeficiente entre Autoeficacia para Lengua y el promedio
de calificaciones en Lengua ( p<0,13). Cabe destacar que los coeficientes
de determinación observados en las variables endógenas poseen valores
relativamente elevados (Byrne, 2001).
El promedio de calificaciones semestral en Lengua es positiva y
significativamente predicho por la aptitud verbal (β=0,15) y por la
autoeficacia para la escritura (β=0,48). Mientras tanto, autoeficacia parala escritura es positiva y significativamente predicha por la aptitud verbal
(β=0,23) y por la estructura áulica de maestría (β=0,28). Finalmente,
autoeficacia para Lengua es significativa y positivamente explicada por
autoeficacia para la escritura (β=0,52) y estructura áulica de maestría
(β=0,17).
Modelo de rendimiento académico en Lengua. En cada vía causal se
observa los coeficientes path estandarizados y su nivel de significación (* p
< 0,05).
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 16/25
398
Figura 2.
La relación entre autoeficacia para Lengua y el promedio de calificaciones
fue en dirección positiva ( β =0,13) pero estadísticamente no significativa,
siendo la única hipótesis que no es apoyada por los datos. El conjunto de
predictores explicaron un 39% de la varianza del promedio de calificaciones
en Lengua.
Tal como recomiendan Edwards y Lambert (2007), cuando se utiliza
path análisis no sólo deben considerarse las relaciones directas entrelas variables del modelo, sino que también deben analizarse los efectos
indirectos o mediadores entre las variables. Para evaluar la significación
estadística de los mismos se utilizó el test de Sobel, observando que todos
los efectos indirectos presentaron valores estadísticamente significativos
( p<0,05). Al examinar la descomposición de los efectos directos, indirectos
y totales (ver Tabla 2), puede observarse que las creencias de autoeficacia
para la escritura presentan el mayor efecto total (0,55) sobre el rendimiento
académico en Lengua. Seguidamente, la aptitud verbal constituye la segunda
variable con mayor efecto total sobre el rendimiento en Lengua (0,28). La
estructura de metas de maestría ejerce un efecto total considerable (0,18)
sobre el rendimiento en Lengua aunque se encuentra totalmente mediado por las creencias de autoeficacia para Lengua y de autoeficacia para la
escritura. Finalmente, las creencias de autoeficacia para Lengua presentan
un efecto total modesto y no significativo sobre el rendimiento académico
en Lengua.
Debido a que el efecto de autoeficacia para Lengua sobre el promedio
de calificaciones fue no significativo, se evaluó el ajuste de un modelo
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 17/25
399
reducido alternativo eliminando la variable autoeficacia para Lengua. Los
resultados obtenidos mostraron tanto un ajuste ( χ² =1,66; p<0,19; GFI=0,99;
CFI=0,99; RMSEA=0,08) como un porcentaje de varianza explicada del
promedio de calificaciones ( R² =0,37) ligeramente inferiores al del modelo
completo.
Tabla 2. Descomposición de los efectos estandarizados totales, directos eindirectos de las variables incluidas en el Modelo Path
Discusión
Los objetivos principales de este trabajo fueron dos. En primer lugar,
nos propusimos verificar el ajuste de un modelo social-cognitivo básico
del rendimiento académico en Lengua, en una muestra de adolescentes
argentinos de noveno año. Por otra parte, nos interesaba especialmente
corroborar la contribución explicativa de la estructura de metas áulicas demaestría a la autoeficacia para la escritura y para el rendimiento en Lengua,
respectivamente. Los resultados obtenidos suministran apoyo tanto al
modelo propuesto, cuyo ajuste general es óptimo, como a la mayoría de
las relaciones causales postuladas. Pudo observarse que el promedio de
calificaciones en la asignatura Lengua es influido directamente por la aptitud
verbal y por la autoeficacia para la escritura, tal como se ha demostrado
Marcos Cupani y Edgardo Pérez
EfectosEfectosDirectos
EfectosIndirectos
Efectos Totales
Autoeficacia para Escritura
desde Aptitud Verbal . 23* . 00 . 23*
desde Estructura de Metas deMaestría
.28* . 00 . 28*
Autoeficacia en Lengua
desde Aptitud Verbal . 00 . 12* . 12*
desde Estructura de Metas deMaestría
.17* .15* . 32*
desde Autoeficacia para la Escritura . 52* . 00 . 52*
Rendimiento académico en Lengua
desde Aptitud Verbal . 15* . 13* . 28*
desde Estructura de Metas deMaestría
.00 .18* . 18*
desde Autoeficacia para la Escritura . 48* . 07* .55*
desde Autoeficacia en Lengua . 13 .00 .13
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 18/25
400
repetidamente en la literatura en relación a otros dominios académicos
(Pajares, 2003). Asimismo, las relaciones hipotetizadas entre la percepción
de estructuras de metas de maestría y la autoeficacia en las dos dimensiones
contempladas en esta investigación también fueron confirmadas por
los datos observados. Por otra parte, la aptitud verbal y la estructura de
maestría contribuyen significativamente a incrementar la autoeficacia para
la escritura, la cual a su vez influye poderosamente en la autoeficacia para
Lengua y en el rendimiento académico en esta asignatura.
El coeficiente path que vincula la autoeficacia para Lengua con el
rendimiento académico en esa asignatura no resultó consistente con
lo teóricamente esperado. Si bien un tamaño superior de la muestra
probablemente habría otorgado significación estadística a dicha relación
(Byrne, 2001), se esperaba una magnitud superior a la encontrada ( β =0,13).
En efecto, resulta sorprendente que las creencias de autoeficacia para la
escritura posean un efecto marcadamente superior sobre el promedio de
calificaciones en Lengua que el efecto de las creencias de autoeficacia
orientadas específicamente hacia el rendimiento en esa asignatura. Este
resultado merece investigación adicional.
Los efectos indirectos de la autoeficacia para la escritura y de la
estructura de las metas áulicas sobre el desempeño académico víaautoeficacia para Lengua resultaron significativos. Esto sugiere que las
creencias de los estudiantes acerca de sus capacidades para la escritura
influyen en su confianza para obtener determinado rendimiento en Lengua,
lo cual contribuye a la organización y ejecución de sus capacidades para
lograr un rendimiento adecuado.
Creemos que estos resultados poseen varias implicancias educativas.
En primer lugar, los datos del presente estudio indican que la autoeficacia
para la escritura desempeña un rol clave en el desempeño en Lengua,
incluso más importante que el de la aptitud verbal. Este descubrimiento
sugiere que los educadores deberían preocuparse por cultivar las creencias
de autoeficacia de sus estudiantes en relación a la escritura (Pajares, 2007).
Como se ha demostrado en estudios previos, tanto de tipo correlacionalcomo experimental, las experiencias previas de dominio y el modelado
son estrategias poderosas para incrementar el sentido de eficacia de los
estudiantes en sus capacidades de redacción. Algunos programas de
enseñanza de la escritura, tales como el Taller de Escritores (Writers,
Workshop & Calkins, 2001), contribuyen a generar un sentido de eficacia en
los estudiantes al basarse en el supuesto de que la confianza en las propias
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 19/25
401
capacidades es esencial para desarrollar las habilidades de escritura. La
atención a las creencias de autoeficacia para la escritura es una característica
especial de esos programas que deberían ser adaptados progresivamente en
nuestras aulas de Lengua y Literatura.
Por otra parte, la percepción de estructuras de enseñanza orientadas
a maestría contribuye a incrementar la autoeficacia de los estudiantes,
tal como se constató en el presente trabajo y en varias investigaciones
previas (Urdan & Shoenfelder, 2006). El efecto total de la percepción de
la estructura de metas áulicas de maestría, moderado por las creencias de
autoeficacia, sobre el rendimiento en Lengua es apreciable ( β =0,18). Este
resultado sugiere que los educadores deberían enfatizar la importancia del
aprendizaje y la motivación intrínseca, reconocer los esfuerzos y progresos
de cada estudiante, alentarlos a elegir tareas que les resultan interesantes y
desalentar la comparación del rendimiento entre pares.
Este trabajo posee varias limitaciones que deben considerarse a la hora
de interpretar sus resultados. En primer lugar, el path análisis permite
realizar inferencias causales pero de manera modesta y cautelosa (Pajares
& Johnson, 1996). Otros modelos alternativos podrían ser igualmente
eficaces en su capacidad explicativa y sólo mediante diseños longitudinales
y experimentales podrían confirmarse las relaciones causales propuestas.En segundo término, todos los participantes de esta investigación asistían
a colegios privados, especialmente confesionales, y son en su mayoría de
un nivel socioeconómico medio-alto. Por consiguiente, desconocemos si
el modelo propuesto se hubiera replicado de una manera semejante en una
muestra de estudiantes de colegios públicos o de otro nivel socioeconómico,
por ejemplo. También debe destacarse que el tamaño de la muestra es
relativamente modesto lo cual impide el análisis de modelos alternativos
diferenciados por sexo, una variable que podría tener influencia adicional
en el rendimiento en Lengua. Por otra parte, la consistencia interna del
subtest de Razonamiento Verbal (KR=0,66) utilizado en esta investigación
se encuentra por debajo de los estándares recomendados (0,70), situación
que podría conducir a subestimar la influencia real de esta variable sobre laautoeficacia y el rendimiento académico.
Estudios futuros deberían incluir tests de aptitud verbal con mejores
propiedades psicométricas y, por otra parte, resultaría deseable verificar
el ajuste de modelos que incluyan variables adicionales que posean poder
predictivo potencial en relación al rendimiento académico en Lengua, tales
como autoeficacia para la comprensión lectora (Shell, Colvin & Bruning,
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 20/25
402
1989).
Creemos que los resultados obtenidos en el presente estudio contribuyen
a una mejor comprensión de los factores explicativos del rendimiento en
Lengua, una asignatura fundamental para el desempeño académico general
de los estudiantes. En particular, suministran apoyo transcultural al rol
de constructos claves para el desempeño y el bienestar académico, tales
como las aptitudes cognitivas, las creencias de autoeficacia y la estructura
percibida de las metas áulicas.
Conclusiones Generales
En conjunto, los resultados de ambos estudios sugieren que los modelos
social-cognitivos propuestos suministran una estructura conceptual válida
para la explicación del rendimiento académico en Matemática y Lengua.
Puede inferirse que tanto las aptitudes cognitivas como las creencias de
autoeficacia son predictores poderosos del rendimiento académico (Pajares
& Graham, 1999). De esta manera, se puede considerar que la teoría social
cognitiva es un marco de referencia útil para los profesionales que trabajan
en el ámbito educativo. Los educadores deberían generar oportunidades
para fortalecer las creencias de los estudiantes acerca de sus capacidades
en matemática y lengua, puesto que se ha comprobado reiteradamenteque la autoeficacia es un componente motivacional importante del logro
académico (Bandura, 1997; Pajares, 1997; Schunk, 1991). Por otra parte,
en una de las investigaciones aquí presentadas, la relacionada con el
rendimiento académico en Lengua, pudo verificarse el importante papel
de un factor de oportunidad, la estructura percibida de las metas áulicas de
maestría.
En promedio, ambos modelos explicaron aproximadamente un 40%
del rendimiento académico. El 60% de la variancia del rendimiento
académico que resta sin explicación podría ser atribuido a factores distales
del rendimiento académico (ej., el nivel socioeconómico de los padres, el
apoyo parental), otras variables de propensión (rasgos de personalidad y
las creencias de autoeficacia para el aprendizaje autoregulado), y algunosfactores de oportunidad (ej., expectativas de resultados de los docentes
sobre sus alumnos), que no fueron contemplados en estas investigaciones.
El objetivo de las líneas de investigación aquí presentadas no se
agota en la explicación del mayor porcentaje de varianza del rendimiento
académico. Adicionalmente, se pretende explorar nuevos modelos de
rendimiento académico desde la teoría social cognitiva e incorporando
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 21/25
403
otras variables relevantes que no han sido contempladas. De esta manera, se
podrían probar diferentes modelos alternativos a fin de identificar el modelo
más parsimonioso y que permita mejores estrategias de intervención.
Es pertinente destacar que ambos modelos de medición demostraron un
adecuado ajuste a los datos pero la técnica utilizada (el path análisis) posee
un sesgo confirmatorio. En efecto, si el modelo propuesto evidencia un
ajuste aceptable esto solo permite confirmar que es uno de los varios modelos
posibles (Cupani, 2008b). Mediante la técnica de modelos rivales se podría
evaluar el ajuste del modelo propuesto con modelos alternativos.
Por otro lado, desde el marco referencial de la teoría social-cognitiva,
se pueden generar nuevos modelos explicativos y evaluar la contribución
directa e indirecta de los diferentes factores. Es por ello, que actualmente
se están explorando dos nuevos modelos de rendimiento académico en
matemática, respetando los principales postulados teóricos de la SCCT
(Lent, Brown & Hackett, 1994). Partiendo desde un perspectiva unificadora
de las variables cognitivas, conductuales, sociales, y de personalidad (Lent,
2004) se pretende extender el modelo social-cognitivo de rendimiento
académico en matemática esclareciendo el rol de los rasgos de personalidad,
ya que ha recibido poca atención en este enfoque teórico (ej., Rogers,
Creed & Glendon, , in press), a pesar de que evidencias empíricas dancuenta de su contribución predictiva (Chamorro-Premuzic & Furnham,
2003), y que además, están asociados a variables tales como la motivación,
la inteligencia y la autoeficacia (Ackerman & Heggestad, 1997). Por otro
lado, considerando que las variables contextuales (ej., apoyo familiar y
nivel socioeconómico) pueden afectar las experiencias de aprendizaje de
los estudiantes, las que a su vez determinan y modifican sus creencias de
autoeficacia, se está explorando un modelo alternativo del rendimiento
académico considerando las causas distales del rendimiento, y dos de los
más relevantes factores de propensión: las aptitudes y las creencias de
autoeficacia.
ReferenciasAckerman, P., & Heggestad, E. (1997). Intelligence, personality, and
interests: Evidence for overlapping traits. Psychological Bulletin, 121,
219–245.
Arbuckle, J., & Wothke, W. (1999). AMOS users guide version 5.0. Chicago: SmallWaters.
Bandura, A. (1987). Pensamiento y acción. Barcelona: Martínez Roca.
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 22/25
404
Bandura, A. (1997). Self-efficacy: The exercise of control . New York:
Freeman.
Bennet, G., Seashore, H., & Wesman, A. (2000). Tests de Aptitudes Diferenciales, DAT-5. Manual. Madrid: TEA Ediciones.
Britner, S. L., & Pajares, F. (2001). Self-efficacy beliefs, motivation, race
and gender in middle school science. Journal of Women and Minoritiesand Science and Engineering, 7, 271-285.
Brown, S. D., Tramayne, S., Hoxha, D., Telander, K., Fan, X. , & Lent, R.
W. (2008). Social cognitive predictors of college students’ academic
performance and persistence: A meta-analytic path analysis. Journal of Vocational Behavior, 72, 298–308.
Browne, M. W., Maccallum, R. C., Andersen, B. L., & Glaser, R. (2002).
When Fit Indices and Residuals Are Incompatible. Psychological Methods, 7 (4), 403-421.
Byrne, B. M. (2001). Structural Equation Modeling with AMOS. Basicsconcepts, applications and programming. London: Lawrence Erlbaum
Associates.
Byrnes, J. P., & Miller, D. C. (2007). The relative importance of predictors
of math and science achievement: An opportunity–propensity analysis.Contemporary Educational Psychology, 32(4), 599-629.
Calkins, L. (2001). Didáctica de la escritura en la escuela primaria y secundaria. Buenos Aires: Aiqué.
Chamorro-Premuzic, T., & Furnham, A., (2003). Personality predicts
academic performance: Evidence from two longitudinal university
samples. Journal of Research in Personality, 37 , 319–338.
Cupani, M. (2008a). Validación de una nueva escala de Expectativas de
Resultado y Metas de Rendimiento para Matemáticas. II Congreso de
Psicología Ciencia y Profesión. Facultad de Psicología. UNC.
Cupani, M. (2008b). Análisis de Ecuaciones Estructurales: conceptos, etapas
de desarrollo y un ejemplo de aplicación. Revista Tesis Psicología, 1,
164-176.Edwards, J., & Lambert, L. (2007). Methods for integrating Moderation
and Mediation: A General Analytical Framework using Moderated
Path Analysis. Psychological Methods, 12, 1-22.
Ferry, T. R., Fouad, N. A., & Smith, P. L. (2000). The role of family context
in a social cognitive model for career-related choice behavior: A math
and science perspective. Journal of Vocational Behavior, 57,348–364.
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 23/25
405
Fouad, N., A., Smith, P., L. & Enochs, L. (1997). Reliability and Validity
Evidence for the Middle School Self-Efficay Scale. Measurement and Evaluation in Counseling and Development , 30, 4 -16.
Gardner, H. (1999). Intelligence reframed. Multiple intelligences for the21 st . Century. Nueva York: Basic Books.
Gardner, R. C. (2003). Estadística para psicólogos usando SPSS paraWindows. México: Prentice Hall
George, D., & Mallery, M. (2001). Using SPSS for Windows step by step: a
simple guide and reference. Boston, MA: Allyn and Bacon
Hu, L., & Bentler, P. (1995). Evaluating model fit. En R. Hoyle (ed.),
Structural equation modelling: concepts, issues and applications (pp.
76-99). Thousand Oaks, CA: Sage Publications
Kline, R. B. (2005). Principles and practice of structural equation modeling (2nd ed.). New York: Guilford.
Lent, R.W., (2004). Toward a unifying theoretical and practical perspective
on well-being and psychosocial adjustment, Journal of Counseling Psychology 51, 482–509.
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.Mardia, K. V. (1970). Measures of multivariate skewnees and kurtosis with
applications. Biometrika, 57 (3), 519-530.
Midgley, C., Maehr, M. L., Hruda, L. Z., Anderman, E., & Freeman, K. E..
(2000). Manual for the Patterns of Adaptive Learning Scales (PALS).
Ann Arbor, MI7, University of Michigan.
Montero, I., & León, O.G. (2007). A guide for naming research studies in
Psychology. International Journal of Clinical and Health Psychology,7, 847-862
Multon, R., Brown, S., & Lent, R. (1991). Relation of self-efficacy beliefs
to academic outcomes: A meta-analytic investigation. Journal of Counseling Psychology, 38, 30- 38.
Navarro, R. L., Flores, L. Y., & Worthington, R. L. (2007). MexicanAmerican Middle School Students’ Goal Intentions in Mathematics
and Science: A Test of Social Cognitive Career Theory. Journal of Counseling Psychology, 54 (3), 320–335.
Pajares, F., (1996). Self-efficacy beliefs and mathematical problem solving
of gifted students. Contemporary Educational Psychology, 21, 325–
344.
Marcos Cupani y Edgardo Pérez
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 24/25
406
Pajares, F., (1997). Current directions in self-efficacy research. In M. Maehr
& P. R. Pintrich (Eds.), Advances in motivation and achievement (Vol.
10, pp. 1–49). Greenwich, CT: JAI Press.
Pajares, F., (2003). Self-efficacy beliefs, motivation and achievement in
writing: a review of the literature. Reading and Writing Quaterly, 19,139-158
Pajares, F., (2007). Empirical properties of a scale to assess Writing Self-
Efficacy in school contexts. Measurement and Evaluation in Counseling and Development, 39, 239-249.
Pajares, F., & Graham, L. (1999). Self-Efficacy, Motivation Constructs,
and Mathematics Performance of Entering Middle School Students.
Contemporary Educational Psychology, 24, 124–139.
Pajares, F., & Johnson, M.J. (1996). Self-efficacy beliefs and the writing
performance of entering high school students. Psychology in theSchools, 33, 163-175.
Pajares, F., & Kranzler, J. (1995). Competence and confidence in
mathematics: The role of self-efficacy, self-concept, anxiety, and ability. Paper presented at the Annual Meeting of the American Educational
Research Association. San Francisco, USA.
Pajares, F., & Valiante, G., (1999). Grade level and gender differencesin the writing self-beliefs of middle school students. Contemporary
Educational Psychology, 24, 390-405.
Pajares, F., Hartley, J., & Valiante, G. (2001). Response format in writing
self-efficacy assessment:Greater discrimination increases prediction.
Measurement and Evaluation in Counseling and Development, 33,
214–221.
Pajares, F., Miller, M. D., & Johnson, M. J. (1999). Gender differences
in writing self-beliefs of elementary school students. Journal of Educational Psychology, 91, 50–61.
Pérez, E., & Cupani, M. (2008). Inventario de Autoeficacia para Inteligencias
Múltiples Revisado (IAMI-R). Latinoamericana de Psicología, 40 (1),
47-58.Pérez, E., Furlán, L., Medrano, L. y Mattus, J. (2008). Adaptación de las
escalas de estructura percibida de las metas áulicas. Resumen en las
Actas del Congreso Internacional de Orientación Escolar y Profesional.
Buenos Aires: Universidad del Salvador.
Pérez, E., Medrano, L. Mattus, J. & Ayllón, S. (en prensa). Adaptación
de escalas de autoeficacia para Escritura y Lengua. Perspectivas en
COGNICIÓN Y RENDIMIENTO ACADÉMICO
5/9/2018 082_-TOMO II- Pág[1].383-543 - slidepdf.com
http://slidepdf.com/reader/full/082-tomo-ii-pag1383-543 25/25
407
Psicología y Ciencias Afines.
Robbins, S. B., Lauver, K., Le, H., Davis, D., & Langley, R. (2004). Do
psychosocial and study skill factors predict college outcomes? A meta-
analysis. Psychological Bulletin, 130, 261–288.
Rogers, M. E., Creed, P. A., Glendon, A. I., (in press). The role of personality
in adolescent career planning and exploration: A social cognitive
perspective. Journal of Vocational Behavior .Roscigno, V. J. (2000). Family/school inequality and African-American/
Hispanic achievement. Social Problems, 47 , 266–290.
Schunk, D. (1991). Self-efficacy and academic motivation. Educational Psychologist , 26, 207-231.
Shell, D. F., Colvin, C., & Bruning R. H. (1989). Self- efficacy and outcomes
expectancy mechanisms in reading and writing achievement. Journal of Educational Psychology, 81, 91-100
Tabachnick, B., & Fidell, L. (2001). Using multivariate statistics (fourth
edition). Needham Heights, MA: Allyn and Bacon.
Tenti Fanfani, E. (2002). El rendimiento escolar en la Argentina. Buenos
Aires: Losada.
Urdan, T., & Shoenfelder, E. (2006). Classroom effects on student motivation:
Goal structures, social relationships and competente beliefs. Journal of School Psychology, 18, 1-19.
Zimmerman, Bonner, & Konvach, (1996). Developing self-regulated
learners. Beyond achievement to self-efficacy. Washington: American
Psychological Association.
Marcos Cupani y Edgardo Pérez