Resolución de problemas contextualizado mediante modelación matemática ;efectos en el pensamiento crítico y la transferencia cognitiva.
DOI:
https://doi.org/10.64747/dj2m7h71Palabras clave:
modelación matemática, resolución de problemas contextualizados, pensamiento crítico, transferencia cognitiva, educación básica superiorResumen
Se evaluó el efecto de una intervención de aula basada en resolución de problemas contextualizados mediante modelación matemática sobre el pensamiento crítico y la transferencia cognitiva en estudiantes de Educación Básica Superior de Nueva Loja (Ecuador). El diseño cuasi‑experimental pretest–postest con grupo de comparación se aplicó durante ocho semanas, con tareas ancladas en escenas locales (logística, caudales, costos) y andamiajes de representación/validación. Los resultados muestran incrementos significativos en pensamiento crítico y transferencia (cercana y lejana) con tamaños de efecto pequeños a moderados tras ajustar por covariables. La calidad de la modelación (rúbrica R‑MM) se asoció positivamente con el desempeño en pensamiento crítico, sugiriendo que la explicitación de supuestos y la validación fortalecen el juicio crítico. Para contextualizar y comparar, se emplearon microdatos e informes públicos de INEVAL (Ser Estudiante 2018–2019, Amazonía), lo que permitió ubicar los resultados del aula respecto a distribuciones subnacionales. El estudio se alinea con el marco PISA 2022 y estándares editoriales (COPE), y aporta materiales replicables (rúbricas, instrumentos y scripts) que facilitan su escalamiento en la Amazonía norte
Referencias
Beccuti, F., & Gadanidis, G. (2024). Meaning and subjectivity in the PISA mathematics frameworks. Educational Studies in Mathematics, 108, 511–533. https://doi.org/10.1007/s10649-023-10296-z
Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate. Journal of the Royal Statistical Society: Series B, 57(1), 289–300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
Bravo Soria, H. D., Brito Solórzano, C. F., Cevallos Martínez, C. E., & Guerra Balseca, E. T. (2025). Ética en el uso de la inteligencia artificial: desafíos y buenas prácticas para el desarrollo educativo en Ecuador. Horizonte Cientifico International Journal, 3(2), 1–20. https://doi.org/10.64747/b03qch53
Cevikbas, M., & Kaiser, G. (2021). A systematic literature review of mathematical modelling competencies. ZDM Mathematics Education, 53, 159–177. https://doi.org/10.1007/s11858-020-01250-3
Faul, F., Erdfelder, E., Lang, A.‑G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program. Behavior Research Methods, 39, 175–191. https://doi.org/10.3758/BF03193146
Greefrath, G., Borromeo Ferri, R., Leuders, T., & Stillman, G. (Eds.). (2018). Mathematical Modelling in Education Research and Practice. Springer. https://doi.org/10.1007/978-3-319-96522-8
Harris, C. R., et al. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
Jablonski, S., Schüler, M., & Ludwig, M. (2023). How digital tools support the validation of outdoor mathematics modelling activities. Frontiers in Education, 8, 1145588. https://doi.org/10.3389/feduc.2023.1145588
JASP Team. (2019). JASP (Version 0.14) [Computer software]. Journal of Open Source Software, 4(43), 1546. https://doi.org/10.21105/joss.01546
Lakens, D. (2017). Equivalence tests. Social Psychological and Personality Science, 8(4), 355–362. https://doi.org/10.1177/1948550617697177
McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference, 56–61. https://doi.org/10.25080/Majora-92bf1922-00a
Morris, S. B. (2008). Estimating effect sizes from pretest–posttest–control group designs. Psychological Methods, 13(3), 277–293. https://doi.org/10.1037/1082-989X.13.3.277
Niss, M., & Blum, W. (2020). The concept of mathematical modelling competencies revisited. In G. Stillman & J. Brown (Eds.), Lines of Inquiry in Mathematical Modelling Research in Education (pp. 63–84). Springer. https://doi.org/10.1007/978-3-030-37673-4_4
OECD. (2023a). PISA 2022 assessment and analytical framework. OECD Publishing. https://doi.org/10.1787/a124aec8-en
OECD. (2023b). PISA 2022 Results (Volume I): The State of Learning and Equity in Education. OECD Publishing. https://doi.org/10.1787/53f23881-en
OECD. (2019). PISA 2018 Assessment and Analytical Framework. OECD Publishing. https://doi.org/10.1787/b25efab8-en
Orón Semper, J. V., & Ritchhart, R. (2023). Achieving transfer from mathematics learning. Education Sciences, 13(2), 161. https://doi.org/10.3390/educsci13020161
Schukajlow, S., & Krug, A. (2014). Do multiple solutions matter? ZDM Mathematics Education, 46, 135–146. https://doi.org/10.1007/s11858-013-0540-4
Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of SciPy 2010. https://doi.org/10.25080/Majora-92bf1922-011
Virtanen, P., et al. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2
Bedoya Navas, M. G., Caiza Caiza, M. P., Marcos Muñoz, I. C., & Maroto Balseca, E. S. (2025). Modelos pedagógicos activos y su incidencia en el pensamiento lógico‑matemático. Horizonte Cientifico International Journal, 3(2), 1–14. https://doi.org/10.64747/960dhs14
Becker, L. A. (2000). Effect size (ES). UC Boulder. https://doi.org/10.13140/RG.2.2.12069.83680
