Brechas en resolución de problemas matemáticos entre zonas rurales y urbanas: un estudio cuasi-experimental en la Sierra
DOI:
https://doi.org/10.64747/03hybh39Palabras clave:
equidad educativa, resolución de problemas, diferencia‑en‑diferencias, escuelas rurales, sierra ecuatorianaResumen
Este estudio evalúa el impacto de una secuencia didáctica centrada en la resolución de problemas no rutinarios sobre el desempeño en matemática de estudiantes de Educación General Superior (EGS) en la Sierra ecuatoriana, con énfasis en la reducción de brechas rural–urbana. Implementamos un diseño cuasi‑experimental que combina pareamiento por puntaje de propensión (PSM) y diferencias‑en‑diferencias (DiD) para estimar el efecto promedio del tratamiento (ATT) y su heterogeneidad. La intervención (8–10 semanas) incluyó tareas contextualizadas, andamiajes de modelización, trabajo colaborativo y evaluación formativa mediante rúbricas analíticas. La muestra emparejada comprendió 96 instituciones (48 tratadas, 48 de comparación) y 5,742 estudiantes. Los resultados muestran ganancias significativas en el grupo tratado: ATT de 0.23 desviaciones estándar (IC95% [0.16, 0.31]) en el puntaje de resolución de problemas, junto con un incremento de 8.9 puntos porcentuales (IC95% [6.4, 11.4]) en la probabilidad de alcanzar niveles de logro altos (≥ nivel 3). La brecha rural–urbana ajustada se redujo ≈30% en el periodo observado, impulsada por efectos relativamente mayores en escuelas rurales (interacción Trat×Post×Rural = −2.6 puntos; p<0.001). El análisis de mecanismos sugiere que los incrementos en autoeficacia y estrategias metacognitivas median cerca de 30% del efecto total. La robustez de los hallazgos se comprobó mediante especificaciones alternativas (CBPS, IPTW), estudios de eventos y placebos temporales. Estos resultados indican que secuencias didácticas orientadas a problemas, diseñadas para contextos serranos y offline‑friendly, pueden mejorar aprendizajes sustantivos y contribuir al cierre de brechas territoriales en EGS a costos manejables. Se recomienda institucionalizar ciclos periódicos de “matemática con sentido”, fortalecer el desarrollo profesional docente y mantener repositorios abiertos de tareas contextualizadas. Futuras evaluaciones deben estimar persistencia a 6–12 meses y costo‑efectividad para escalamiento.
Referencias
Abadie, A., & Imbens, G. W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), 235–267. https://doi.org/10.1111/j.1468-0262.2006.00655.x
Austin, P. C. (2011). An introduction to propensity score methods for reducing the effects of confounding in observational studies. Multivariate Behavioral Research, 46(3), 399–424. https://doi.org/10.1080/00273171.2011.568786
Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B, 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How much should we trust differences‑in‑differences estimates? Quarterly Journal of Economics, 119(1), 249–275. https://doi.org/10.1162/003355304772839588
Callaway, B., & Sant’Anna, P. H. C. (2021). Difference‑in‑differences with multiple time periods. Journal of Econometrics, 225(2), 200–230. https://doi.org/10.1016/j.jeconom.2020.12.001
Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster‑robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
Cortez, C. A. M., Muñoz Velastegui, T. del R., Cercado Erazo, M. Á., & Villegas Fajardo, G. A. (2025). Desempeño académico y formación técnica en Guayaquil: Un análisis desde la educación básica hasta el bachillerato técnico. Horizonte Científico International Journal, 3(2), 1–13. https://doi.org/10.64747/tk2xjq24
Evans, T. (2021). Non‑routine mathematical problem‑solving: Creativity, engagement and intuition of STEM tertiary students. STEM Education, 1(4), 256–272. https://doi.org/10.3934/steme.2021017
García‑González, A., Rojas‑Roa, M., & González‑Hernández, J. (2024). Enhancing mathematical function understanding in university students through design thinking. Frontiers in Education, 9, 1364642. https://doi.org/10.3389/feduc.2024.1364642
Guijarro‑Garvi, M., Miranda‑Escolar, B., Cedeño‑Menéndez, Y. T., & Moyano‑Pesquera, P. B. (2024). Does geographical location impact educational disparities among Ecuadorians? Humanities and Social Sciences Communications, 11, 1539. https://doi.org/10.1057/s41599-024-04068-0
Imai, K., & Ratkovic, M. (2014). Covariate balancing propensity score. Journal of the Royal Statistical Society: Series B, 76(1), 243–263. https://doi.org/10.1111/rssb.12027
Jakobsen, J. C., Gluud, C., Wetterslev, J., & Winkel, P. (2017). When and how should multiple imputation be used for handling missing data in randomised clinical trials—A practical guide with flowcharts. BMC Medical Research Methodology, 17, 162. https://doi.org/10.1186/s12874-017-0442-1
Maruyama, T. (2024). Developing textbooks to improve math learning in low‑income settings. Journal of Political Economy Microeconomics, 2(2), e000. https://doi.org/10.1086/721768
OECD. (2023). PISA 2022 Results (Volume I): The State of Learning and Equity in Education. OECD Publishing. https://doi.org/10.1787/53f23881-en
Rojas Apaza, R., Paz Paredes, R., Arpi, R., Nievez Quispe Lino, C., & Chura‑Zea, E. (2024). Urban–rural gap in education performance in Peruvian public institutions during 2018: An analysis using the Oaxaca–Blinder decomposition. Frontiers in Education, 9, 1394938. https://doi.org/10.3389/feduc.2024.1394938
Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. https://doi.org/10.1093/biomet/70.1.41
Santos‑García, F., Valdivieso, K. D., Rienow, A., & Gairín, J. (2021). Urban–rural gradients predict educational gaps: Evidence from a machine learning approach involving academic performance and impervious surfaces in Ecuador. ISPRS International Journal of Geo‑Information, 10(12), 830. https://doi.org/10.3390/ijgi10120830
Simms, V., Gilmore, C., Sloan, S., & McKeaveney, C. (2021). Interventions to improve mathematics achievement in primary school children: A systematic review protocol. Campbell Systematic Reviews, 17(2), e1160. https://doi.org/10.1002/cl2.1160
Stuart, E. A. (2010). Matching methods for causal inference: A review and a look forward. Statistical Science, 25(1), 1–21. https://doi.org/10.1214/09-STS313
Swanson, H. L. (2024). The mathematical word problem‑solving performance gap between children with and without math difficulties: Does working memory mediate and/or moderate treatment effects? Child Neuropsychology. https://doi.org/10.1080/09297049.2024.2382202
Vásquez‑Salazar, D., & Jaramillo, J. (2025). Innovación educativa para la enseñanza de las matemáticas con metodologías activas. Horizonte Científico International Journal, 3(2), 1–17. https://doi.org/10.64747/fwt3f229
White, H. (1980). A heteroskedasticity‑consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934
