Modelación matemática de problemas locales: impacto en razonamiento y transferencia
DOI:
https://doi.org/10.64747/63djye85Palabras clave:
modelación matemática, razonamiento, transferencia del aprendizaje, datos abiertos, educación básicaResumen
Este estudio evalúa el efecto de una secuencia didáctica de modelación matemática de problemas locales (MEAs) sobre razonamiento y transferencia en estudiantes de Educación General Básica (EGB) Superior de Guayaquil, Ecuador. Se usó un diseño cuasi-experimental por conglomerados a nivel de curso, grupos MEAs y control, y mediciones pretest–postest más seguimiento. La intervención integró tareas contextualizadas con datos abiertos, andamiaje metacognitivo mediante bitácoras y evaluación formativa con rúbricas. Los resultados primarios fueron: (a) puntuación latente en una Prueba de Razonamiento Matemático (PRM) calibrada con TRI; y (b) índice de transferencia (éxito en tareas cercanas y lejanas). La muestra final incluyó n = 889 estudiantes de 30 secciones. La ANCOVA multinivel (controlando pretest y covariables) mostró un efecto significativo de la intervención en razonamiento (β = 0,24, EE = 0,05, p < .001), equivalente a d ≈ 0,38. En transferencia, modelos logísticos multinivel evidenciaron incrementos de +10,7 pp (cercana; OR = 1,63, IC95% [1,32, 2,02]) y +12,3 pp (lejana; OR = 1,88, IC95% [1,45, 2,44]) frente al control. En seguimiento, el efecto persistió atenuado (β = 0,18; +9,6 pp en transferencia lejana). Se observaron mejoras en calidad de justificaciones y representaciones múltiples, y un índice de fidelidad promedio de 0,83. Los hallazgos sugieren que la modelación con anclaje territorial potencia el razonamiento y habilita transferencia de aprendizajes hacia contextos nuevos, con viabilidad de escalamiento en establecimientos fiscales y fiscomisionales. Se recomienda institucionalizar MEAs como tareas faro en unidades de proporcionalidad, funciones y análisis de datos; consolidar rúbricas y retroalimentación formativa; y sostener prácticas espaciadas para la consolidación. La transparencia metodológica (TRI, HLM, DID) y el uso de datos abiertos facilitan la replicabilidad y la adopción en políticas educativas.
Referencias
Ackermans, K., Rusman, E., Nadolski, R., Specht, M., & Brand‑Gruwel, S. (2021). Video‑enhanced or textual rubrics: Does the Viewbrics’ formative assessment methodology support the mastery of complex (21st century) skills? Journal of Computer Assisted Learning, 37(3), 810–824. https://doi.org/10.1111/jcal.12525
Angrist, J. D., & Pischke, J.‑S. (2009). Mostly harmless econometrics: An empiricist’s companion. Princeton University Press. https://doi.org/10.1515/9781400829828
Barnett, S. M., & Ceci, S. J. (2002). When and where do we apply what we learn? A taxonomy for far transfer. Psychological Review, 109(2), 145–170. https://doi.org/10.1037/0033-295X.109.2.145
Black, P., & Wiliam, D. (2018). Classroom assessment and pedagogy. Assessment in Education: Principles, Policy & Practice, 25(6), 551–575. https://doi.org/10.1080/0969594X.2018.1441807
English, N., Robertson, P., Gillis, S., & Graham, L. (2022). Rubrics and formative assessment in K‑12 education: A scoping review of literature. International Journal of Educational Research, 113, 101964. https://doi.org/10.1016/j.ijer.2022.101964
Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Psychology Press. https://doi.org/10.4324/9781410605269
García Cabrera, V. A., Guaman Chimbo, M. E., Rea Minchalo, C. B., & Vega Pérez, J. A. (2025). Impacto de los medios tecnológicos en el aprendizaje de estudiantes de educación básica media en contextos urbanos de Ecuador. Horizonte Científico International Journal, 3(2), 1–10. https://doi.org/10.64747/zvkjx362
Greefrath, G., Hopfenbeck, T. N., Lingefjärd, T., & Ludwig, M. (2022). Mathematical modelling and discrete mathematics: Opportunities for modern mathematics teaching. ZDM–Mathematics Education, 54(7), 1723–1737. https://doi.org/10.1007/s11858-022-01339-5
Hartmann, L. M., Schukajlow, S., Niss, M., & Jankvist, U. T. (2024). Preservice teachers’ metacognitive process variables in modeling‑related problem posing. The Journal of Mathematical Behavior, 76, 101195. https://doi.org/10.1016/j.jmathb.2024.101195
Hidayat, R., Adnan, M., Abdullah, M. F. N. L., & Safrudiannur. (2022). A systematic literature review of measurement of mathematical modeling in mathematics education context. Eurasia Journal of Mathematics, Science and Technology Education, 18(5), em2108. https://doi.org/10.29333/ejmste/12007
Hox, J. J., Moerbeek, M., & van de Schoot, R. (2017). Multilevel analysis: Techniques and applications (3rd ed.). Routledge. https://doi.org/10.4324/9781315650982
Imbens, G. W., & Wooldridge, J. M. (2009). Recent developments in the econometrics of program evaluation. Journal of Economic Literature, 47(1), 5–86. https://doi.org/10.1257/jel.47.1.5
Lakens, D. (2017). Equivalence tests: A practical primer for t‑tests, correlations, and meta‑analyses. Social Psychological and Personality Science, 8(4), 355–362. https://doi.org/10.1177/1948550617697177
Murillo Cortez, C. A., 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
OECD. (2023). PISA 2022 results (Volume I): The state of learning worldwide. OECD Publishing. https://doi.org/10.1787/53f23881-en
Pan, S. C., & Rickard, T. C. (2018). Transfer of test‑enhanced learning: Meta‑analytic review and synthesis. Current Opinion in Behavioral Sciences, 20, 20–27. https://doi.org/10.1016/j.cobeha.2018.02.004
Sandefur, J. (2022). Mathematical modelling in school mathematics: Perspectives and next steps. ZDM–Mathematics Education, 54(7), 1687–1698. https://doi.org/10.1007/s11858-022-01399-7
Schukajlow, S., Kaiser, G., & Stillman, G. (2023). Modelling and applications in mathematics education—State, trends and issues. Educational Studies in Mathematics, 114(2), 219–245. https://doi.org/10.1007/s10649-023-10265-6
Söderström, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. https://doi.org/10.1177/1745691615569000
van der Linden, W. J. (Ed.). (2017). Handbook of item response theory: Volume 3—Applications. Chapman & Hall/CRC. https://doi.org/10.1201/9781315117430
Zöttl, L., Ufer, S., & Reiss, K. (2011). Assessing modelling competencies using a multidimensional IRT approach. In G. Kaiser, W. Blum, R. Borromeo Ferri, & G. Stillman (Eds.), Trends in the teaching and learning of mathematical modelling (pp. 427–437). Springer. https://doi.org/10.1007/978-94-007-0910-2_42
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Celso Cristóbal Aguirre Quinde, Ana María Pozo Mejía, Carmen Amanda Robayo Gonzalez, Daniel Fernando Rodríguez Vallejo (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
