Estudio comparativo de conocimientos para determinar el rendimiento en matemática básica en la facultad de ciencias utilizando el algoritmo del Test de Scheffé

Juan Carlos Yungán Cazar, Diego Alejandro Cáceres Veintimilla, Katherine Adriana Merino Villa, Edgar Gualberto Salazar Álvarez

Resumen


La presente investigación tiene como propósito realizar un estudio comparativo de los conocimientos de matemática básica que tienen los estudiantes al iniciar estudios en las carreras de la Facultad de Ciencias. Para ello se utilizó un instrumento de evaluación ya validado en donde se evalúan los conocimientos de Aritmética, Algebra, Geometría y Trigonometría. Según los resultados el rendimiento promedio de los conocimientos de las diferentes carreras para cada una de las áreas fue inferior al 50%, además se empleó un Analisis de Varianza (ANOVA) de un factor obteniéndose para cada una de las áreas un p valor = 0,000 menor al nivel de significancia (5%), lo cual indica que al menos una de las carreras tiene un promedio diferente de las otras. Por otra parte se realizó comparaciones multiples con el Test de Scheffé donde se evidenció la formación de los subconjuntos homogeneós entre las diferentes carreras. Mediante los resultados del ANOVA y el test de Scheffé se concluye que el rendimiento de los estudiantes del primer semestre es muy inferior al deseado, lo cual es un factor preocupante en la formacion académica de los mismos.


Palabras clave


Rendimiento académico; Matematicas; ANOVA; Test de Scheffé; Ciencias.

Texto completo:

PDF HTML XML

Referencias


Aguilar-Salinas W, De las fuentes-Lara M, Justo-López A, Martínez-Molina A. (2020). Instrumento de medición para diagnosticar las habilidades algebraicas de los estudiantes en el Curso de Cálculo Diferencial en ingeniería. Revista Española De Pedagogía, 78(275), 5-26.

Álvaro J, Garrido A. (2003). Psicología Social. Madrid: McGraw-Hill

Boqué R, Marot. (2004). A. El análisis de la varianza (ANOVA). Técnicas de laboratorio, 294, 680-683.

Carreras F, Sivoli Z. (2020). Diseño y validación de un instrumento para medir los conocimientos en matemática básica que poseen los estudiantes de ciencias. Ciencia Digital, 4(1), 253-269.

Castillo A. (2013). Estadística Aplicada. 1ra ed. México: Trillas.

Catalán X, Santelices M. (2014). Rendimiento académico de estudiantes de distinto nivel socioeconómico en universidades: el caso de la Pontificia Universidad Católica de Chile. Calidad en la educación, 40, 21-52.

Cervini R. (2003). Relaciones entre la composición estudiantil, proceso escolar y el logro de las Matemáticas en la educación secundaria en Argentina. Un modelo de tres niveles. Revista Electrónica de Investigación Educativa, 5 (1), 72-98.

Fallas J. (2012). ANÁLISIS DE VARIANZA, Comparando tres o más medias. (Internet).

{citado 19 de diciembre 2019] Disponible en: http://www.ucipfg.com/Repositorio/MGAP/MGAP-05/BLOQUE-ACADEMICO/Unidad-2/complementarias/analisis_de_varianza_2012.pdf

Fernández-Cano A. (2016). Una crítica metodológica a las evaluaciones PISA. RELIEVE, 22 (1), art. M15. DOI: /10.7203/relieve.22.1.8806.

García L, Azcarate C, Moreno M. (2006). Creencias, concepciones y conocimiento profesional de profesores que enseñan cálculo diferencial a estudiantes de ciencias económicas. Revista Latinoamericana de Investigaciones en Matemática Educativa. RELIME, 9, 85-116.

Geiser S, Studley R. (2002). UC and the SAT: predictive validity and differential impact of the SAT I and SAT II at the University of California. Educational Assessment, 8(1), 1-26

Instituto Nacional de Evaluación Educativa. (2018). Resultados de PISA para el Desarrollo (Internet). [citado 19 diciembre 2019]. Disponible en: http://www.evaluacion.gob.ec/evaluaciones/pisa-documentacion/

Manzi J, Bravo D, Del Pino G, Donoso G, Martínez M, Pizarro R. (2006). Estudio acerca de la validez predictiva de los factores de selección a las universidades del Consejo de Rectores. Santiago: Comité Técnico Asesor de la PSU.

Martínez R. (2017). Matemáticas y educación superior. Revista Innovación Educativa (Internet). [citado 14 de enero 2020]; 17 (73), 7-10. Disponible en: http://repositoriodigital.ipn.mx/handle/123456789/23413

Martínez J, Salazar R. (2014). Factores determinantes sobre el rendimiento académico en estudiantes de las facultades de medicina, enfermería, microbiología, psicología, arquitectura y derecho de la Universidad Católica del Ecuador del primer semestre de la carrera universitaria, en el período de agosto-diciembre 2013. (Tesis pregrado). Pontificia Universidad Católica del Ecuador, Pichincha.

Montero E, Villalobos J, Valverde B. (2007). Factores institucionales, pedagógicos, psicosociales y sociodemográficos asociados al rendimiento académico en la Universidad de Costa Rica: Un análisis multinivel. RELIEVE (Internet). [citado el 14 de enero 2020], 13 (2), 215-234. Disponible en: http://www.uv.es/relieve/v13n2/RELIEVEv13n2_5.htm

Navarro N, Zamora J. (2018). Evaluación del rol del tutor: comparación de percepción de estudiantes de las carreras de la salud. Investigación en Educación Médica, 7(25), 10-17.

Pajares F. (2008). Motivational role of self-efficacy beliefs in self-regulated learning. En: D. Schunk y B.J. Zimmerman editores. Motivation and self-regulated learning: Theory, research and applications. New York: Lawrence Erlbaum Associates; 111- 141.

Pereira D, Perales M, Bakieva, M. (2016). Análisis de tendencias en las investigaciones realizadas a partir de los datos del Proyecto PISA. RELIEVE, 22 (1), art. M10. DOI: /10.7203/relieve.22.1.8248.

Robles S, Cisneros L, Guzmán C. (2018). Actitudes hacia las matemáticas de estudiantes universitarios. El caso del Centro Universitario de Ciencias Económico-Administrativas de la Universidad de Guadalajara. Revista de educación y desarrollo, 47, 71-80.

Rodríguez M. (2007). Análisis Multivariado del desempeño académico de los estudiantes universitarios de Química (Tesis de doctoral). Universidad Autónoma de Madrid, España.

Rosario P, Lourenço A, Paiva1 O, Rodrigues A, Valle A, Tuero-Herrero R. (2012). Predicción del rendimiento en matemáticas: efecto de variables personales, socioeducativas y del contexto escolar. Psicothema, 24(2), 289-295.

Soriano M, Chebaani F, Soriano A, Descals A. (2011). Enseñanza recíproca y autoobservación del uso de estrategias: efectos sobre la comprensión de textos. Psicothema, 23(1): 38-43.

Tejedor J. (2003). Poder Explicativo de algunos determinantes del rendimiento en los estudios universitarios. Revista Española de Pedagogía, LXI (224): 5-32.

Vargas M, Montero E. (2016). Factores que determinan el rendimiento académico en Matemáticas en la Universidad Nacional de Ingeniería (UNI), Nicaragua: un modelo de ecuaciones estructurales. Universitas Psychologica, 15(4), DOI: /10.11144/Javeriana.upsy15-4.fdra

Vermunt J. (2005). Relations between student learning patterns and personal and contextual factors and academic performance. Higher education, 49, 205-212.

Wilby P. (2003). Las pruebas de la OCDE y PISA están dañando la educación en todo el mundo: académicos. (Internet). En: The Guardian. [citado 06 de enero 2020]. Disponible en: http://www.theguardian.com/education/2013/nov/26/pisa-international-student-tests-oecd




DOI: https://doi.org/10.23857/pc.v8i8.5948

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/