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



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



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




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




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




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




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




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


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***



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




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




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




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).




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




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




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).




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




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


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*


.17* .15* . 32*

desde Autoeficacia para la Escritura . 52* . 00 . 52*

Rendimiento académico en Lengua

desde Aptitud Verbal . 15* . 13* . 28*


.00 .18* . 18*

desde Autoeficacia para la Escritura . 48* . 07* .55*

desde Autoeficacia en Lengua . 13 .00 .13



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




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,




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




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.




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.




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.




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




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.


082_-TOMO II- Pág[1].383-543

Documents

Transcript of 082_-TOMO II- Pág[1].383-543