Análisis de la estructura factorial del desafío bebras 2021 en Uruguay y resultados preliminares

Conteúdo do artigo principal

Alar Urruticoechea
Andrés Oliveri
Victor Koleszar

Resumo

Hoy en día la tecnología forma parte de la mayoría de las actividades cotidianas personales. En el ámbito educativo, concretamente, las herramientas tecnológicas son utilizadas como facilitadoras del aprendizaje. Esto, junto a la necesidad de facilitar herramientas variadas para formar a los estudiantes, generando, en muchos países, un cambio del paradigma educativo, pasando de una educación contenidista a una educación por competencias. Por ello el PC ha ganado relevancia a nivel internacional. El Pensamiento Computacional refiere al conjunto de competencias para la expresión y resolución de problemas utilizando la lógica de la programación. En el ámbito educativo la adquisición de estas competencias permitirá a los niños hacer frente a un futuro cada vez más tecnológico. Para conocer el estado de adquisición de estas competencias es necesario tener instrumentos de medida validados. Esta investigación pretende verificar la estructura teórica del desafío Bebras aplicado en Uruguay durante 2021 y a partir de esta realizar un análisis preliminar de la situación. Para ello, a las respuestas de 20,393 participantes en Bebras de 5° y 6° de Educación Pública, se le aplicó un Análisis Factorial Confirmatorio, Pruebas T de Student y ANOVAs. Los principales resultados obtenidos son: La estructura factorial coincide con la definición teórica de cada ítem. Existen diferencias estadísticamente significativas por género (p.valor < .05), grado (p.valor <.01) y nivel sociocultural (F(5, 2730) = 42 ; p.valor <.00). Se puede concluir que existe una estructura factorial que se asemeja a la teórica, esto contradice a las investigaciones que afirman que Bebras no posee la estructura factorial, y que los resultados del análisis de los factores concuerdan con las investigaciones que analizan tanto las diferencias de rendimiento por género como por nivel sociocultural.

Downloads

Não há dados estatísticos.

Detalhes do artigo

Como Citar
Urruticoechea, A., Oliveri, A., & Koleszar, V. (2023). Análisis de la estructura factorial del desafío bebras 2021 en Uruguay y resultados preliminares. Revista INFAD De Psicología. International Journal of Developmental and Educational Psychology., 1(1), 89–98. https://doi.org/10.17060/ijodaep.2023.n1.v1.2484
Seção
Artículos
Biografia do Autor

Alar Urruticoechea, Universidad Católica del Uruguay y Ceibal

Universidad Católica del Uruguay y Ceibal

Andrés Oliveri, Ceibal

Ceibal

Victor Koleszar, Ceibal

Ceibal

Referências

Araujo, A. L. S. O., Andrade, W. L., Guerrero, D. D. S., & Melo, M. R. A. (2019). How Many Abilities Can We Measure in Computational Thinking?: A Study on Bebras Challenge. Proceedings of the 50th ACM Technical Symposium on Computer Science Education, 545-551. https://doi.org/10.1145/3287324.3287405

Balanskat, A., & Hengelhard, K. (2015). Computing our future: Computer programming and coding. Priorities, school curricula and initiatives across Europe. European Schoolnet.

Brown, T. A. (2015). Confirmatory factor analysis for applied research (Second edition). The Guilford Press.

Cárcamo, C., Moreno, A., & del Barrio, C. (2020). Diferencias de género en matemáticas y lengua: Rendimiento académico, autoconcepto y expectativas. Suma Psicológica, 27(1). https://doi.org/10.14349/sumapsi.2020.v27.n1.4

Chiazzese, G., Arrigo, M., Chifari, A., Lonati, V., & Tosto, C. (2019). Educational Robotics in Primary School: Measuring the Development of Computational Thinking Skills with the Bebras Tasks. INFORMATICS-BASEL, 6(4). https://doi.org/10.3390/informatics6040043

Cobo, C. (2016). Experiencias evaluativas de tecnologías digitales en la educación. 8.

Cobo, C., & Montaldo, M. (2018). Plan Ceibal in Uruguay: How do you educate in learning to decode the unknown. 16.

Computational Thinking Operational Definition ISTE. (2011). https://cdn.iste.org/wwwroot/Computational_Thinking_Operational_Definition_ISTE.pdf

Dagien , V., & Sentance, S. (2016). It’s Computational Thinking! Bebras Tasks in the Curriculum. En A. Brodnik & F. Tort (Eds.), Informatics in Schools: Improvement of Informatics Knowledge and Perception (Vol. 9973, pp. 28-39). Springer International Publishing. https://doi.org/10.1007/978-3-319-46747-4_3

Denning, P. J. (2017). Remaining trouble spots with computational thinking. Communications of the ACM, 60(6), 33-39. https://doi.org/10.1145/2998438

Echevarria, M., Godoy, J. C., & Olaz, F. (2007). Gender differences in cognitive skills and academic performance in college students. Universitas Psychologica, 6(2), 319-329.

Formichella, M. M., & Alderete, M. V. (2018). TIC en la escuela y rendimiento educativo: El efecto mediador del uso de las TIC en el hogar. Cuadernos de Investigación Educativa, 9(1), 75-93. https://doi.org/10.18861/cied.2018.9.1.2822

Fraillon, J., Ainley, J., Schulz, W., Duckworth, D., & Friedman, T. (2019). IEA International Computer and Information Literacy Study 2018 Assessment Framework. Springer International Publishing. https://doi.org/10.1007/978-3-030-19389-8

Halpern, D. F., Benbow, C. P., Geary, D. C., Gur, R. C., Hyde, J. S., & Gernsbacher, M. A. (2007). The Science of Sex Differences in Science and Mathematics. Psychological Science in the Public Interest, 8(1), 1-51. https://doi.org/10.1111/j.1529-1006.2007.00032.x

Hubwieser, P., Giannakos, M. N., Berges, M., Brinda, T., Diethelm, I., Magenheim, J., Pal, Y., Jackova, J., & Jasute, E. (2015). A Global Snapshot of Computer Science Education in K-12 Schools. Proceedings of the 2015 ITiCSE on Working Group Reports, 65-83. https://doi.org/10.1145/2858796.2858799

Huise, S. L. (2015). La resolución de problemas matemáticos en el contexto de los proyectos de aprendizaje. 39, 24.

Hyde, J. S. (2014). Gender Similarities and Differences. Annual Review of Psychology, 65(1), 373-398. https://doi.org/10.1146/annurev-psych-010213-115057 JASP TEAM. (2022). JASP (Version 0.16.1). K–12 Computer Science Framework. (2016). https://www.k12cs.org

Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (Fourth edition). The Guilford Press.

Koleszar, V., Clavijo, D., Pereiro, E., & Urruticoechea, A. (2021). Análisis preliminares de los resultados del desafío BEBRAS 2020 en Uruguay. Revista INFAD de Psicología. International Journal of Developmental and Educational Psychology., 1(2), 17-24. https://doi.org/10.17060/ijodaep.2021.n2.v1.2153

Kong, S.-C., & Abelson, H. (Eds.). (2019). Computational Thinking Education. Springer Singapore. https://doi.org/10.1007/978-981-13-6528-7

Lin, S. -Y., Chien, S. -Y., Hsiao, C. -L., Hsia, C. -H., & Chao, K. -M. (2020). Enhancing Computational Thinking Capability of Preschool Children by Game-based Smart Toys. ELECTRONIC COMMERCE RESEARCH AND APPLICATIONS, 44. https://doi.org/10.1016/j.elerap.2020.101011

Lizitza, N., & Sheepshanks, V. (2020). Educación por competencias: Cambio de paradigma del modelo de enseñanza-aprendizaje. RAES, 12(20), 89-107.

Loh, C. E., Sun, B., & Majid, S. (2020). Do girls read differently from boys? Adolescents and their gendered reading habits and preferences. English in Education, 54(2), 174-190. https://doi.org/10.1080/04250494.2019.1610328

Mason, J., Burton, L., & Stacey, K. (1989). Pensar matemáticamente. Labor. https://books.google.com.ec/books?id=XmGENAAACAAJ

Meinck, S., & Brese, F. (2019). Trends in gender gaps: Using 20 years of evidence from TIMSS. Large-Scale Assessments in Education, 7(1), 8. https://doi.org/10.1186/s40536-019-0076-3

Merino-Armero, J. M., González-Calero, J. A., & Cózar-Gutiérrez, R. (2020). Computational thinking in K-12 education. An insight through meta-analysis. Journal of Research on Technology in Education, 1-26. Academic Search Complete.

Mühling, A., Ruf, A., & Hubwieser, P. (2015). Design and First Results of a Psychometric Test for Measuring Basic Programming Abilities. Proceedings of the Workshop in Primary and Secondary Computing Education, 2-10. https://doi.org/10.1145/2818314.2818320

Prat, C. S., Madhyastha, T. M., Mottarella, M. J., & Kuo, C. -H. (2020). Relating Natural Language Aptitude to Individual Differences in Learning Programming Languages. Scientific Reports, 10(1), 3817. https://doi.org/10.1038/s41598-020-60661-8

Román-Gonzalez, M., Pérez-González, J. C., & Jiménez-Fernández, C. (2015). Test de Pensamiento Computacional: Diseño y psicometría general. 7.

Rosseel, Y. (2012). lavaan: An R Package for Structural Equation Modeling. Journal of Statistical Software, 48(2). https://doi.org/10.18637/jss.v048.i02

Scherer, R., & Siddiq, F. (2019). The relation between students’ socioeconomic status and ICT literacy: Findings from a meta-analysis. Computers & Education, 138, 13-32. https://doi.org/10.1016/j.compedu.2019.04.011

Senkbeil, M., Ihme, J. M., & Wittwer, J. (2013). The Test of Technological and Information Literacy (TILT) in the National Educational Panel Study: Development, empirical testing, and evidence for validity. https://doi.org/10.25656/01:8428

Sullivan, A., & Umaschi Bers, M. (2016). Girls, Boys, and Bots: Gender Differences in Young Children’s Performance on Robotics and Programming Tasks. Journal of Information Technology Education: Innovations in Practice, 15, 145-165. https://doi.org/10.28945/3547

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35. https://doi.org/10.1145/1118178.1118215

Winters, T., & Payne, T. (2005). What do students know?: An outcomes-based assessment system. Proceedings of the 2005 International Workshop on Computing Education Research - ICER ’05, 165-172. https://doi.org/10.1145/1089786.1089802

Zhu, Z. (2007). Gender differences in mathematical problem solving patterns: A review of literature. 17.