escuela de Psicología

La ocurrencia de la Académica y riesgo en el comportamiento dentro de las escuelas

Primaria: implicaciones para las prácticas de cribado universal

Stephen P. Kilgus, Jared T. Izumi, Nathaniel P. von der Embse, Michael P. Van Wie, Katie Eklund, Crystal N. Taylor, y Stephanie
Iaccarino

Primera publicación en línea, 28 de febrero de 2019. http://dx.doi.org/10.1037/spq0000314

CITACIÓN
Kilgus, SP, Izumi, JT, von der Embse, NP, Van Wie, MP, Eklund, K., Taylor, CN, y Iaccarino,
S. (2019, 28 de febrero). La ocurrencia de la Académica y riesgo en el comportamiento dentro de las escuelas Primaria: implicaciones
para las prácticas de cribado universal. Psicología escolar. La publicación anticipada en línea. http://dx.doi.org/10.1037/spq0000314
 escuela de Psicología

© 2019 American Psychological Association 2019, Vol. 1, N ° 999, 000

2578-4218 / 19 / $ 12.00 http://dx.doi.org/10.1037/spq0000314

La ocurrencia de la Académica y de riesgo conductuales Dentro de Primaria

Escuelas: implicaciones para las prácticas de cribado universal

Stephen P. Kilgus Jared T. Izumi

Universidad de Wisconsin-Madison Universidad de Missouri

Nathaniel P. von der Embse Michael P. Van Wie

Universidad del Sur de Florida Universidad de Missouri
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado

Katie Eklund Crystal N. Taylor

Universidad de Wisconsin-Madison Universidad de Missouri

Stephanie Iaccarino
Universidad de Temple

Los objetivos de este estudio fueron dobles. La primera consistía en utilizar el análisis de clases latentes para identificar agrupaciones de estudiantes

definidos por la presencia o ausencia de riesgo académico o de comportamiento. El segundo fue determinar si estos grupos difieren a través de diversos

resultados académicos y de comportamiento dicotómicas (por ejemplo, suspensiones, los problemas de disciplina de oficina, insuficiencia prueba de

rendimiento en todo el estado). Los estudiantes ( norte 1488) se tomaron muestras de grados 3-5. Todos los estudiantes fueron seleccionados por el riesgo

académica mediante medición basada en el plan de estudios de lectura y AIMSweb AIMSweb cálculo matemático, y el riesgo de comportamiento mediante el

social, académico y comportamiento Screener riesgo emocional (SAEBRS). Los análisis de clase latente apoyó el ajuste de un modelo de tres clases, con el
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.

resultado de clases de los estudiantes definidos como de bajo riesgo académico y el comportamiento (clase 1), en situación de riesgo académico y

comportamiento de alto riesgo (Clase 2), y en riesgo de matemáticas y comportamiento (Clase 3). Análisis de regresión logística indican las clases

demostraron diferencias estadísticamente significativas puntuaciones de rendimiento de todo el estado, así como suspensiones. Un análisis más detallado

indica que las probabilidades de todos los resultados negativos considerados fueron más altos para ambos grupos caracterizados por riesgo (es decir, las

clases 2 y 3). Los resultados negativos fueron particularmente probable para la clase 2, con las probabilidades de los resultados académicos y de

comportamiento negativos son 6-15 y 112-169 veces más probabilidades, respectivamente. se tomaron los resultados para apoyar un enfoque integrado para

la detección universal en las escuelas, que se define por la evaluación de riesgos, tanto académica y de comportamiento.

Impacto y Consecuencias
Los resultados de este estudio parecen ser al valor de un procedimiento de cribado universal integrado que incorpora tanto las herramientas de

detección académicas y de comportamiento. Los resultados sugieren este enfoque puede identificar un grupo de estudiantes que están en alto riesgo

de sufrir una serie de resultados académicos y de comportamiento negativos.

palabras clave: el cribado universal, la evaluación del comportamiento, análisis de clase latente, medición basada en el plan de estudios

Escuela y el de Psicología, Universidad de Missouri; Stephanie Iaccarino, Departamento

Stephen P. Kilgus, Departamento de Psicología de la Educación, Universidad de de Estudios Psicológicos de la Educación, Universidad de Temple.
Wisconsin-Madison; Jared T. Izumi, Departamento de Educación, la escuela, y asesoramiento de
la psicología de la Universidad de Missouri; Nathaniel La primera y tercera autores tienen un conflicto de intereses financieros debido a la recepción de las

P. von der Embse, Departamento de Estudios Educativos y Psicológicos de la Universidad del regalías sobre las ventas netas para una de las medidas discutidas. La correspondencia relacionada con

Sur de Florida; Michael P. Van Wie, Departamento de Educación, la escuela, y asesoramiento este artículo debe ser dirigida a Stephen

de la psicología de la Universidad de Missouri; Katie Eklund, Departamento de Psicología de la P. Kilgus, Departamento de Psicología de la Educación, Ciencias de la Educación 316A,
Educación, Universidad de Wisconsin-Madison; Crystal N. Taylor, Departamento de Educación, Universidad de Wisconsin-Madison, 1025 W Johnson St, Madison, WI 53706. E-mail:
skilgus@wisc.edu

1
 2 Kilgus ET AL.
La detección universal se ha definido como el uso de herramientas breves y eficientes con
una población de individuos (por ejemplo, todos los estudiantes de una escuela o distrito)
para identificar aquellos que poseen alguna condición de interés (por ejemplo, académicos o
de riesgo conductual; Jenkins, Hudson, y Johnson, 2007). La investigación y la política han
hecho hincapié en la importancia de los esfuerzos de detección temprana como el cribado
universal (cada estudiante tenga éxito Ley, 2015; Ley de Individuos con Discapacidades
Educación, 2004; Lane, Robertson Kalberg, Lambert, Crnobori, y Bruhn, 2010; Reinke,
Herman, Petras , y Ialongo, 2008; Reschly, 2008). La creciente prevalencia de niveles
múltiples sistemas de apoyo dentro de las escuelas (por ejemplo, la respuesta a la
intervención y la intervención en el comportamiento positivo y apoyos) ha mejorado la
adopción de cribado universal, ya que es el medio principal por el cual a identificar a los
estudiantes que están en riesgo de consecuencias problemáticas y por lo tanto requieren
intervención (Bruhn, Lane, y Hirsch, 2014; Marcy, Chafouleas, Briesch, McCoach, y Dineen,
2018). Una amplia gama de herramientas de detección universales se han desarrollado hasta
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
la fecha, con más posesión de utilidad en la detección de riesgos, ya sea académica o de
comportamiento.
Las herramientas de evaluación disponibles
La mayoría de los inspectores académicos pertenecen a las áreas de lectura, matemáticas y
escritura, la investigación es particularmente frecuente en el área de lectura (Fuchs, 2017).
herramientas de evaluación académicas generalmente caen en una de dos categorías
principales, incluyendo las medidas basadas en el programa (MFC) y las pruebas de adaptación
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
ordenador (McBride, Ysseldyke, Milone, y Stickney, 2010; Shapiro y Gebhardt, 2012). La
investigación ha sido particularmente abundantes en la zona de las CBM, con tanto trabajo que
abarca cuatro décadas. CBM herramientas suelen tardar entre 1 a 3 minutos para completar por
estudiante y son fuertes predictores de rendimiento académico futuro en su respectiva área de
contenido. Por ejemplo, la fluidez de lectura oral (o CBM lectura; R-CBM) es un proxy para la
habilidad de lectura general y se ha convertido en uno de los cribadores más comunes de riesgo
de dificultades para leer (Fuchs, Fuchs, Hosp, Y Jenkins, 2001). Muchos de los productos
disponibles en el mercado se han desarrollado hasta la fecha (por ejemplo, AIMSweb,
FastBridge aprendizaje, easyCBM). Estas soluciones basadas en la Web ofrecen una variedad
de herramientas de CBM que abarcan gamas de desarrollo. Por ejemplo, en el área de lectura,
herramientas CBM están disponibles que son específicos de las habilidades más básicas de
lectura temprana, seguida de la fluidez de lectura, y luego a la comprensión de lectura.
Muchas herramientas de detección de comportamiento también se han
desarrollado hasta la fecha. Al igual que los inspectores académicos, los
inspectores de comportamiento tienden a caer en una de dos categorías
metodológicas, incluidos los procedimientos multiplegating y breves escalas de
calificación de la conducta. La mayoría del trabajo ha sido en el área de las
escalas de calificación de la conducta breves, que se componen de un pequeño
número de elementos (por ejemplo, 5-30) que se puede completar en un solo 1-5
minutos por estudiante. herramientas de detección de comportamiento varían en
el tipo y número de constructos que evalúan. Algunos evaluar una única
construcción, mientras que otros evalúan múltiples constructos. Algunos evaluar
sólo los problemas de comportamiento, mientras que otros sólo han de evaluar los
comportamientos positivos. Por último, algunos inspectores de evaluar los
comportamientos positivos y negativos. Un ejemplo de una criba de este tipo se
encuentra en el Social, Academic, y el comportamiento emocional Screener
Riesgo (SAEBRS; Kilgus y
internalización de los problemas y el bienestar del estudiante en la evaluación más amplia
“comportamiento emocional.” La investigación sugiere inspectores de comportamiento predicen una
amplia gama de variables, incluyendo las específicas de los resultados sociales, académicas y de
comportamiento (Eklund, Kilgus, von der Embse, Beardmore, y Tanner , 2017).
A pesar de la disponibilidad de numerosas herramientas de detección, la aplicación basada en la
escuela de los procedimientos de selección académica sigue siendo superior al de la detección de
comportamiento. Una reciente encuesta nacional de administradores de la escuela encontró que
aunque el 81,1% de los encuestados informó de la detección de riesgo académico, sólo el 12,6%
informó de la detección de los comportamientos de riesgo (Bruhn, Woods-Groves, y Abrazo de
grupo,
2014). Estas disparidades persisten a pesar de la existencia de soluciones de
evaluación basadas en web que incorporan tanto las herramientas de detección
académicos y de comportamiento, incluyendo AIMSweb y FastBridge
aprendizaje. Este estado de cosas es lamentable por dos razones principales.
En primer lugar, la investigación sugiere que los inspectores académicos y de
comportamiento son diferencialmente predictivo de diversos criterios, siendo el
primero más predictivo de los logros más amplio y siendo esta última más
predictivo de la salud mental y los resultados conductuales (Reschly, Busch,
Betts, Deno, y Long, 2009) . En segundo lugar, los estudios han documentado
repetidamente la co-ocurrencia de problemas académicos y de comportamiento
en los niños y adolescentes (Hinshaw, 1992; Morgan, Farkas, Tufis, y Sperling,
2008). Por ejemplo, la investigación indica que los niños con trastornos
emocionales y de conducta,
2002). La adopción limitado de pruebas de detección de comportamiento sugiere entonces que
muchas escuelas están ganando información incompleta con respecto a la naturaleza y el alcance
de las preocupaciones de los estudiantes.
Académico y problemas de conducta
Un papel seminal por Hinshaw (1992) discutió cuatro vías que explican la relación entre
académicos y comportamiento. En primer lugar, los problemas académicos conducen a
problemas de comportamiento de un modo unidireccional, con una historia de retos
académicos e insuficiencia teoría de que el mecanismo causal de los problemas de
comportamiento. En la segunda vía unidireccional, problemas de conducta conducen a
problemas académicos. En esta vía, los problemas de comportamiento desarrollados antes o
durante la escolarización (por ejemplo, la agresión o la interrupción) están causalmente
relacionada con la reducción compromiso académico, lo que conduce a reducciones en el
rendimiento académico. La tercera vía es bidireccional, en la que los problemas académicos
y problemas de conducta se afectan entre sí en una naturaleza recíproca. Es decir, tanto de
las relaciones unidimensionales antes mencionados ocurren de manera simultánea. Por
ejemplo, interrupción y compromiso limitado podrían dar lugar a dificultades académicas, lo
que aumenta aún más la probabilidad de separación y la interrupción. En la vía final, hay otro
factor que es responsable de los problemas académicos y de comportamiento, tales como
los relacionados con el medio ambiente (por ejemplo, el estrés familiar y el estatus
socioeconómico [SES]) o la biología (por ejemplo, déficit de atención / hiperactividad [TDAH]
y temperamento). Los investigadores también han comenzado a identificar el momento y
mecanismos por los que estos problemas se presentan. Por ejemplo, la investigación ha
documentado que ser un pobre lector en la primavera de primer grado predijo un aumento de
la probabilidad de compromiso académico inferior, reduce la auto-control, y el aumento de la
externalización y la internalización de los problemas de comportamiento en el tercer grado,
incluso cuando el control de los problemas de comportamiento anteriores ( Morgan et al.,
2008). Estafa-
 Académico y de riesgo conductuales
Inversamente, los investigadores encontraron que los problemas con el aprendizaje
autorregulado en la primavera de primer grado predijeron una mayor probabilidad de ser un
lector pobre. Se encontró que estos resultados, incluso cuando se controla por información
demográfica (por ejemplo, SES y sexo biológico), la capacidad de lectura previa, y el
comportamiento anterior. En otro estudio longitudinal (Trzesniewski, Moffitt, Caspi, Taylor, y
Maughan,
2006), los investigadores encontraron fuertes relaciones entre los comportamientos de rendimiento
de lectura y problemas debido a factores ambientales que fueron compartidos entre los gemelos
(por ejemplo, ingresos de los padres, ambiente del hogar y la educación de los padres) en
comparación con los factores biológicos (es decir, el TDAH y el temperamento). Sin embargo, los
investigadores encontraron que el factor más importante fue la naturaleza recíproca de las malas
conductas de lectura y de problemas. Que los comportamientos se ofrecen, la mala lectura y
problemas desarrollaron con el tiempo en relación con los demás, y como uno cambia también lo
hace la otra. Similares resultados se han documentado en el área de las matemáticas, en donde se
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
encontraron los primeros problemas académicos y de comportamiento para predecir el bajo
rendimiento más adelante en el área de las matemáticas (Darney, Reinke, Herman, Stormont, y
Ialongo, 2013).
La detección de los académicos y de comportamiento
Dado el grado de co-ocurrencia de problemas académicos y de comportamiento entre los
jóvenes, los investigadores han comenzado a examinar el valor de un enfoque integrado de cribado
universal dirigida tanto a las áreas de riesgo. Rey, Lembke, y Reinke (2016) utilizan el análisis de
clase latente (LCA) para colocar 517 estudiantes de tercer grado en grupos óptimos para el riesgo
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
académico y comportamiento. Riesgo se evaluó el uso de múltiples herramientas de detección
universales comunes, incluyendo (a) dos CBMs de la capacidad de lectura: AIMSweb R-CBM y
AIMSweb MAZE; (B) dos CBMs de capacidad de las matemáticas: Conceptos y Aplicaciones
AIMSweb y AIMSweb Computation (M-COMP); y (c) una medida del riesgo de comportamiento:
conductuales y emocionales Screening System (BESS; Kamphaus y Reynolds, 2007). LCA
hallazgos sugieren la existencia de tres subgrupos de estudiantes, incluyendo aquellos con un
mínimo o ningún riesgo académico y el comportamiento (Nivel 1), riesgo moderado académico y
comportamiento de riesgo mínimo (nivel 2), y alto riesgo académico y comportamiento de riesgo
moderado (Nivel 3). Aunque la hipótesis, los investigadores no encontraron un grupo de estudiantes
que sólo estaban en riesgo de comportamiento. Además, los investigadores no encontraron
diferencias entre las clases de matemáticas o lectura de riesgo. A continuación se utilizó la variable
categórica pertenencia a una clase dentro de un análisis de varianza para predecir resultados de las
pruebas logro de todo el estado. Se identificaron diferencias estadísticamente significativas entre las
clases y el Tier 1 Niveles superando 2 y 3, y el Nivel 2 Nivel superando 3. Tales hallazgos subrayan
los resultados negativos asociados con el riesgo académico y de comportamiento concurrente de
cualquier nivel y por lo tanto la necesidad de una evaluación universal para identificar los dos tipos
de riesgo. y alto riesgo académico y el comportamiento de riesgo moderado (Nivel 3). Aunque la
hipótesis, los investigadores no encontraron un grupo de estudiantes que sólo estaban en riesgo de
comportamiento. Además, los investigadores no encontraron diferencias entre las clases de
matemáticas o lectura de riesgo. A continuación se utilizó la variable categórica pertenencia a una
clase dentro de un análisis de varianza para predecir resultados de las pruebas logro de todo el
estado. Se identificaron diferencias estadísticamente significativas entre las clases y el Tier 1
Niveles superando 2 y 3, y el Nivel 2 Nivel superando 3. Tales hallazgos subrayan los resultados negativos asociados con el riesgo académico y de comportamiento concurrente de cualquier nivel y por lo tanto la necesidad de una ev
Resumen y Propósito
Una línea de investigación es compatible con el carácter común de los problemas
académicos y conductuales concurrentes. La investigación inicial ha apoyado el uso de un
enfoque integrado de cribado universal en la identificación de los estudiantes con doble riesgo,
que están en un riesgo potencialmente elevado de resultados negativos. Una revisión de esta
investigación inicial, en particular la de King et al. (2016), revela ciertas lagunas en materia de
prueba que deben ser abordados a través de nuevos estudios. Por ejemplo, King y
3
colegas de estudio sólo se considera el grado en que las categorías predijo diferencias en las
puntuaciones de rendimiento de todo el estado. Los autores no consideran otras variables
ecológicamente válidos, tales como las específicas de asistencia de los estudiantes o el
comportamiento (por ejemplo, los problemas de disciplina oficina [] ODR), que se examinan
habitualmente dentro de las escuelas en la evaluación de funcionamiento del estudiante.
Además, King et al. (2016) consideró una muestra algo restringida ( norte 517) de un solo nivel de
grado. Se necesita investigación adicional con muestras más grandes para examinar la
posibilidad de reproducir los resultados y mejorar la generalización de los resultados.
El propósito más amplio de este estudio fue hacer frente a estas deficiencias
indicadas en la literatura. Dos preguntas específicas de investigación se plantearon.
En primer lugar, las categorías y agrupaciones estudiantiles existir, como se define
por la presencia o ausencia de riesgo académico o de comportamiento? De acuerdo
con investigaciones anteriores, que prevé la búsqueda de grupos definidos por la
presencia de ningún riesgo, de riesgo académico o de comportamiento, y tanto el
riesgo académico y de comportamiento (King et al., 2016). En segundo lugar, ¿en
qué medida la pertenencia al grupo predecir diferentes resultados académicos y de
comportamiento? Se anticipó que la presencia de comportamientos de riesgo o
académico se asocia con una mayor probabilidad de un rendimiento por debajo de
dominio en las pruebas estatales de rendimiento, así como el aumento de ODR,
suspensiones escolares, y las ausencias escolares.
Método
Participantes y el establecimiento
Esta investigación se llevó a cabo en siete escuelas en un distrito escolar urbano dentro
de la región del Medio Oeste de los Estados Unidos. Los estudiantes ( norte 1488) se
tomaron muestras de los grados 3-5, con 517 estudiantes en el nivel de tercer grado
(34,7%), 469 estudiantes de cuarto grado (31,5%), y 502 estudiantes de quinto grado
(33,7%). En cuanto al género, 761 estudiantes identificados como masculino (51,1%) y 727
identificado como femenino (48,9%). La muestra de estudiantes fue diversa en términos de
raza y etnia, con un 40,5% como latinos / hispanos (a),
31,2% de los estudiantes identificados como blancos, 16,4% como Negro, 8,3% como
multirracial, 2,4% de Asia, 1,1% Indios americanos o nativos de Alaska, y 0,2% Nacional de
Hawai o las islas del Pacífico. Setenta maestros participaron en este estudio, completando
medidas de comportamiento de cribado para cada estudiante en su salón de clases. En todo el
distrito, el 63,5% de los estudiantes reunieron los requisitos para almuerzo gratis oa precio
reducido y el 14,0% clasificado para la educación especial.
LCA medidas variables. Tres medidas fueron consideradas como predictores dentro de
los procedimientos de LCA, la definición de las clases en las que se clasifican los
estudiantes. Estas medidas incluyen la (a) SAEBRS; (B) R-CBM; y (c) M-COMP. Véase
más abajo para obtener información sobre cada una de estas medidas.
SAEBRS. El SAEBRS es un 19-tema escala de calificación breve maestro, destinado a ser
utilizado como un bloqueador universal para estudiantes de riesgo socioemocional y de
comportamiento. Para completar el SAEBRS, el profesor utiliza una escala Likert de 4 puntos para
evaluar la frecuencia con que se han observado cada estudiante que muestra una serie de
comportamientos durante el último mes (0 Nunca, 1
Algunas veces, 2 A menudo, 3 Casi
 4 Kilgus ET AL.
Siempre). Cuando se utiliza para el cribado universal, el maestro completa la SAEBRS una vez para
cada estudiante en su salón de clases, con cada administración tomando 1-3 min. El SAEBRS
incluye redactado positivamente los elementos que corresponden a los comportamientos de
adaptación y habilidades, así como artículos redactados negativamente correspondientes a
conductas inadaptadas. Una vez que todos los artículos SAEBRS se han completado, artículos
redactados negativamente se puntúan inversa (0 y 1 3 2). Cuatro puntuaciones SAEBRS entonces
se pueden generar, incluyendo tres puntuaciones de la subescala (es decir, el comportamiento
social, Comportamiento Académico, y el comportamiento emocional) y una puntuación de amplio
global (es decir, Comportamiento Total). Las puntuaciones más altas en cada una de estas escalas
corresponden a un comportamiento más apropiado.
La investigación ha dado apoyo a la fiabilidad, validez y exactitud diagnóstica de cada
escala SAEBRS. Los resultados han sido particularmente prometedor para la puntuación
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
total Comportamiento como un indicador general del estudiante funcionamiento
social-emocional y de comportamiento; por ejemplo, la investigación anterior ha
documentado coeficientes de consistencia interna
. 93-0.94, coeficientes de validez . 93 a 0,94, y
área bajo la curva de las estadísticas . 97 a 0,99 (con los dos últimos
coeficientes referidos al BESS; Kilgus, Eklund, von der Embse, Taylor, y Sims, 2016). En
consecuencia, la puntuación total del comportamiento se utiliza en los análisis actuales.
Más específicamente, se ha introducido un indicativo variable categórica del estado de
riesgo alumnos en la escala total Comportamiento en el LCA. Per directrices de puntuación
estándar SAEBRS, se especificaron tres niveles de riesgo, incluyendo bajo riesgo ( 37;
81,4% de esta muestra), de riesgo moderado (29-36; 16,4%), y de alto riesgo ( 28; 2,1%).
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
R-CBM. R-CBM representa una medida de la fluidez en la lectura oral, que comúnmente se
considera como una medida de resultado general de la competencia de lectura en general (Baker et
al., 2008). R-CBM se utiliza en un gran número de escuelas para los fines tanto de supervisión de
detección y el progreso universal. Para completar una sonda R-CBM, un administrador de la prueba
tiene un alumno que lea tantas palabras como puedan en 1 min de un pasaje del nivel de grado
estandarizado. El administrador el seguimiento de errores y calcula el número de palabras que el
estudiante leer con precisión dentro de un minuto. Una vez completado, el puntaje bruto de palabras
leídas correctamente se puede comparar con los datos normativos para determinar donde el
rendimiento del estudiante cae en relación con sus compañeros del mismo grado. A más bien
extensa base de literatura apoya adecuación técnica R-CBM. Por ejemplo, un meta-análisis de
pruebas con respecto a la validez R-CBM documentado una correlación generalizada de 0,67 con el
logro de resultados en todo el estado y las pruebas referidas a normas (Reschly, Busch, Betts,
Deno, y Long, 2009). Un meta-análisis separado encontró R-CBM para producir sensibilidad
(aproximado) de 0,80 y una especificidad de 0,70 cuando la predicción de estos mismos resultados
dentro del mismo año académico (Kilgus, Methe, Maggin, y Tomasula, 2014). A los efectos de la
corriente de LCA, las variables R-CBM continuas se transforman en un indicativo variable categórica
de riesgo de dificultades de lectura. Per procedimientos de puntuación estándar AIMSweb, el riesgo
se definió en relación con las normas nacionales, con tres niveles de riesgo incluyendo bajo riesgo (
Un meta-análisis separado encontró R-CBM para producir sensibilidad (aproximado) de 0,80 y una
especificidad de 0,70 cuando la predicción de estos mismos resultados dentro del mismo año
académico (Kilgus, Methe, Maggin, y Tomasula, 2014). A los efectos de la corriente de LCA, las
variables R-CBM continuas se transforman en un indicativo variable categórica de riesgo de
dificultades de lectura. Per procedimientos de puntuación estándar AIMSweb, el riesgo se definió en
relación con las normas nacionales, con tres niveles de riesgo incluyendo bajo riesgo ( Un meta-análisis separado
48,9% de esta muestra), de riesgo moderado (percentiles 16-45th; 29,2%), y de alto
riesgo ( percentil 15; 21,4%).
M-COMP. El M-COMP es una breve y estandarizado de pruebas de operaciones
matemáticas, administrados en formato de papel y lápiz, y destinados para su uso en el
cribado universal y el control del progreso. M-COMP se puede administrar en, en grupos
pequeños individual, o formatos de toda clase, con cada administración temporizada
duradera 8 min. Los estudiantes se les permite el acceso a cero papel a lo largo M-COMP
administración sonda; Sin embargo, no se permiten otros materiales o recursos. puntajes M-COMP
se corresponden con el número de elementos contestadas correctamente, con ciertos elementos de
mayor peso que otros en conformidad con dificultad de los ítems. Al igual que R-CBM, las
puntuaciones M-COMP se pueden comparar con las normas nacionales en la determinación de que
el rendimiento de un estudiante cae en relación con sus compañeros del mismo grado. Los dominios
de habilidad matemáticos específicos evaluados por M-COMP depende del nivel de grado, con
dominios potenciales, incluyendo tamaño de los números, la adición columna, hechos básicos,
decimales, fracciones, las conversiones y porcentajes. La investigación anterior ha apoyado
M-COMP adecuación técnica, con estudios que informan de consistencia interna de 0,89, una forma
alternativa de fiabilidad de 0,88, y la validez concurrente de. 78 en relación con el Grupo de
Evaluación de Matemáticas y la evaluación diagnóstico (Pearson Education, 2012). El Centro
Nacional para la intervención intensiva (2017) clasificación de la M-COMP como poseedores de
pruebas convincentes de la fiabilidad de la pendiente y el nivel de rendimiento de puntuación, la
validez de la puntuación de nivel de rendimiento, sensibilidad a la mejora de los estudiantes, y las
reglas de decisión para el cambio de la instrucción. Como SAEBRS y R-CBM, la variable M-COMP
continua se convirtió en un indicativo variable categórica de estado de riesgo estudiante antes de la
realización de la LCA. riesgo M-COMP se definió de una manera idéntica al enfoque con referencia
a normas utilizado con R-CBM, con bajo riesgo (percentil 46a; validez de puntuación de nivel de
rendimiento, sensibilidad a la mejora de los estudiantes, y las reglas de decisión para el cambio de
la instrucción. Como SAEBRS y R-CBM, la variable M-COMP continua se convirtió en un indicativo
variable categórica de estado de riesgo estudiante antes de la realización de la LCA. riesgo
M-COMP se definió de una manera idéntica al enfoque con referencia a normas utilizado con
R-CBM, con bajo riesgo (percentil 46a; validez de puntuación de nivel de rendimiento, sensibilidad a la mejora de los estudia
42,7% de esta muestra), de riesgo moderado (percentiles 16-45th; 34,3%), y de alto
riesgo ( percentil 15; 22,4%).
Las variables de resultado. Cinco variables adicionales fueron consideradas como resultados
dentro análisis de regresión logística, incluyendo (a) ODRs, (b) suspensiones, (c) ausencias, (d) en
todo el estado puntuaciones de las pruebas de rendimiento en matemáticas, y (e) resultados de
pruebas de rendimiento en todo el estado en Inglés / idioma letras. Estas últimas cinco variables
representan los datos existentes recogidos de la escuela a la conclusión de la investigación.
Señalar, dentro de los análisis posteriores, cada una de las siguientes cinco variables se consideró
como un resultado dicotómico. Nuestra decisión de considerar las variables de resultado de esta
manera dicotómica estaba relacionado con dos factores. En primer lugar, de acuerdo con el trabajo
previo en esta área (por ejemplo, Darney et al., 2013), estábamos interesados ​en la evaluación de
las probabilidades de los resultados problemáticos para las clases definidas por riesgo (en relación
con una clase definida por la ausencia de riesgo), como tales relaciones impares son las métricas de
valor en la evaluación de la importancia práctica de los resultados (Kirk, 1996). En segundo lugar, la
consideración de las variables dicotómicas es común dentro de la investigación cribado universal, en
la que es de interés para evaluar el grado en que los inspectores predicen la presencia de eventos
problemáticos (por ejemplo, el fracaso escolar).
ODR. Un ODR se define como un evento en el que una conducta problemática
estudiante se observó por un miembro de la facultad o personal, resulta en personal
administrativo proporcionar una consecuencia y documentar el evento (Sugai, Sprague,
Horner, y Walker, 2000). Dentro de esta investigación, los recuentos de ODR
representan el número total de referencias a cada estudiante recibió todo el año escolar,
sin incluir los asociados con una suspensión. Un amplio cuerpo de evidencia ha
apoyado
la validez
encontró R-CBMdepara
ODR comosensibilidad
producir indicadores de comportamiento
(aproximado) de especificidad
de 0,80 y una los estudiantes
de 0,70 cuando la predicción de
exteriorización (por ejemplo, el desafío, la agresión, la interrupción; Mcintosh, Campbell,
Carter, y Zumbo, 2009). Para el propósito de análisis de regresión logística, la variable
continua ODR se transformó en un representante variable dicotómica de si el estudiante
estaba en riesgo de problemas de comportamiento (2 ODRs; 7,5% de esta muestra) o
no (0-1 ODRs; 92. 5%). Este punto de corte en particular fue elegido en consideración
de la investigación anterior,
 Académico y de riesgo conductuales
que ha apoyado el uso de la 2 corte en la definición de riesgo estudiante (Mcintosh et al.,
2009).
Suspensiones. Dentro de este estudio, el recuento de suspensión es igual al número de
días que un estudiante pasa en fuera de la escuela o suspensión en la escuela durante el
año escolar 2016-2017. Los investigadores anteriores han empleado los recuentos de
suspensión como un indicador de mal comportamiento del estudiante, en particular la
relacionada con los problemas de externalización (Lane et al., 2010). Otros estudios han
considerado la medida en que las suspensiones predicen distintos resultados, incluyendo el
clima escolar (oso, Yang, Pell, y Gaskins, 2014) y el encarcelamiento (Costenbader y
Markson, 1998). Para el propósito de los análisis de regresión logística binaria, el recuento
de suspensión se convirtió en un indicativo variable dicotómica de si cada estudiante había
sido suspendido. Los niveles de esta variable incluyen “sí” ( 1 suspensiones;
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
13,0% de esta muestra) o “no” (0 suspensiones; 87%).
Ausencias. A los efectos de esta investigación, la ausencia del estudiante se define como un
día en el que un estudiante no estaba presente dentro de la escuela por cualquier parte de la
jornada escolar. recuento ausencia de cada estudiante participante representa el número total de
días perdidos a través del año escolar 2016-2017. Las investigaciones indican que las ausencias
de los estudiantes predicen una amplia gama de resultados académicos y de comportamiento,
incluyendo la internalización de comportamientos, malas calificaciones, y la deserción escolar
(Tanner-Smith & Wilson, 2013;. Wood et al,
2012). Antes del análisis, el recuento de ausencia de cada estudiante se convierte en
un porcentaje de ausentismo escolar. Para el propósito de análisis de regresión
logística, la variable ausencias continua se transformó en un representante variable
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
dicotómica de si el estudiante era crónicamente ausente ( 10%; 5,4% de esta muestra)
o no ( 10%; 94,6%). Este punto de corte en particular fue elegido teniendo en cuenta la
definición del estado para el ausentismo crónico.
resultados de las pruebas logro de todo el estado. rendimiento académico del estudiante
se evaluó mediante el Programa de Evaluación de Kansas (CAP), la prueba de rendimiento en
todo el estado se administra anualmente a los estudiantes de Kansas como parte del plan de
responsabilidad educativa del estado. pruebas CAP representan evaluaciones acumulativas
generales en las áreas de (a) Inglés / Lenguaje, (b) las matemáticas, (c) la ciencia, y (d) la
historia, el gobierno y los estudios sociales. Sólo los / lenguaje y matemáticas pruebas de inglés
eran considerados como parte de esta investigación. La prueba de Inglés / artes del lenguaje fue
diseñado para evaluar las habilidades de los estudiantes en las áreas de lectura, escritura y
escucha. La prueba de matemáticas se pretende evaluar las capacidades de los estudiantes en
las áreas de conceptos y procedimientos, resolución de problemas, el razonamiento, la
comunicación y el modelado y análisis de datos. KAP pruebas se administran anualmente a los
estudiantes en los grados 3-8, con la administración que tiene lugar al final del año escolar a
través del ordenador a través de dos sesiones de 45-60. La mayoría de los artículos son de
opción múltiple; Sin embargo, algunos también son tecnología mejorada.
KAP escalado resultados se compararon con los recortes-escala de puntuación para
determinar en cuál de los cuatro niveles de rendimiento de cada estudiante cae. Los
estudiantes que caen en los niveles 1 y 2 se consideran ser nonproficient, mientras que los
estudiantes en los niveles 3 y 4 se consideran para ser competentes. A los efectos del análisis
de regresión logística, las puntuaciones continuas KAP se transformaron en puntuaciones
dicotómicas indicativos de si el rendimiento de un estudiante era competente (niveles 3 y 4) o
no (niveles 1 y 2). Para matemáticas, se encontró que 21,0% de los estudiantes a ser
competentes, mientras que el 77,4% no lo eran. Por / artes del lenguaje, el 28,1% de los
estudiantes fueron competentes y el 70,4% no lo eran. Este enfoque de la dicotomización es
concordante con la investigación anterior, incluyendo estudios de precisión de diagnóstico
examin-
5
ing resultados de las pruebas logro a nivel estatal como resultados binarios (por ejemplo,
Klingbeil, Van Norman, Nelson, y Birr, 2018). Las evaluaciones realizadas por los
desarrolladores KAP demostraron evidencia de KAP fiabilidad puntuación (rango
. 90 a 0,92), punto diferencial
funcionamiento (en relación con el género y la raza / origen étnico), validez de
contenido y validez de criterio; con respecto a la validez de criterio, los resultados
sugieren que la correlación entre CAP y ACT osciló entre .64-.78 para las artes del
lenguaje / inglés y .61-.85 para las matemáticas (Universidad de Kansas y Logro
Instituto de Evaluación, 2017).
procedimientos
Escuelas recogen todos los datos del estudio como parte de la práctica educativa normal. El
distrito participante a continuación proporciona los datos a los investigadores de la moda
desprovistos de identificación como parte de un acuerdo de intercambio de datos. datos SAEBRS se
recogieron tres veces en todo el año escolar, incluyendo el otoño (septiembre-octubre), invierno
(JanuaryFebruary), y la primavera (abril-mayo), como parte de los esfuerzos de cribado universal
para identificar a los estudiantes en situación de riesgo para el desarrollo social-emocional y
conductual preocupaciones. Los maestros completaron el SAEBRS utilizando un portal de
evaluación districtdeveloped, en línea. En concreto, los maestros calificada como una estudiante a
la vez antes de proceder a la siguiente estudiante. La gran mayoría de los maestros completó sus
calificaciones SAEBRS durante una sola sesión de 45-60 min en un día de desarrollo profesional.
Otros lo completaron en su propio tiempo, normalmente durante el tiempo de preparación personal
durante el día escolar. Al igual que en el SAEBRS, se recogieron datos de AIMSweb medidas
académicas durante el otoño, invierno y primavera del año escolar. Los maestros administran
R-CBM y sondas M-COMP para estudiantes dentro de su clase. Tres sondas R-CBM se
administraron en una sola sesión de uno-a-uno. a continuación, se seleccionó la mediana de la
puntuación a través de estas tres sondas para representar el rendimiento del estudiante. Una sonda
sola M-COMP se administró en una sesión de evaluación de clase completo independiente. Se
recogieron datos de CAP durante la primavera del año escolar 2016-2017 dentro del proceso de
evaluación basada en el equipo antes mencionado. Por último, las autoridades escolares recogen
ODR, suspensión, y los datos de ausencias durante el año escolar a través del sistema de
información de los estudiantes de todo el distrito. Se recogieron los datos AIMSweb medidas
académicas durante el otoño, invierno y primavera del año escolar. Los maestros administran
R-CBM y sondas M-COMP para estudiantes dentro de su clase. Tres sondas R-CBM se
administraron en una sola sesión de uno-a-uno. a continuación, se seleccionó la mediana de la
puntuación a través de estas tres sondas para representar el rendimiento del estudiante. Una sonda
sola M-COMP se administró en una sesión de evaluación de clase completo independiente. Se recogieron datos de CAP du
Análisis de Datos Plan de Investigación Pregunta 1. Tres variables fueron consideradas
dentro LCAs, incluyendo puntuaciones de R-CBM, puntuaciones M-COMP, y SAEBRS
puntuaciones totales de comportamiento (todo recogida durante la parte de resorte del año
escolar). Cada una de estas variables fue categórica en la naturaleza y definido por tres niveles:
bajo riesgo, de riesgo moderado y alto riesgo. LCA representa un caso específico de modelado de
mezcla finita, que permite la categorización de los estudiantes en diferentes clases homogéneas
en base a sus puntuaciones en diversos predictores categóricos. LCA proporciona una serie de
estadísticas de ajuste, que se consideran en la determinación de cuál es el modelo latente
proporciona el mejor ajuste a los datos. Cada modelo se define por un número específico de
clases. procedimientos LCA típicos llaman para la estimación de múltiples modelos de
complejidad creciente clase, como una clase, de dos clases, y los modelos de tres clases (y así
sucesivamente). Típicamente, el modelo seleccionado como proporcionar mejor ajuste a los datos
está definida por (a) el criterio de información Bayesiano más baja (BIC), (b) más bajo BIC
ajustado y el criterio de información de Akaike (AIC), (c) más alto valor de entropía, y (d) utilidad
en la práctica (Nagin, 2005). esta-
 6 Kilgus ET AL.
pruebas Statistical también se pueden utilizar en la comparación de la forma de los modelos que
difieren en una clase. Para el propósito de esta investigación, se aplicó el cociente de probabilidad
Lo-Mendell- Rubin prueba (LMR LRT), que ha sido apoyado a través de la investigación de
simulación previa (por ejemplo, Tofighi y Enders,
2007). Los datos fueron revisados ​antes de la realización de ACV para determinar el grado de
missingness. anota R-CBMandM-COMP faltaban para 1% de los estudiantes, mientras que las
puntuaciones SAEBRS faltaban para 9%. Todos los datos que faltan se manejaron a través de una
información completa de máxima verosimilitud. Para apoyar los análisis de regresión logística
posteriores (véase la sección Pregunta de Investigación 2 a continuación), LCA se utilizó para
generar una nueva variable categórica indicativa de pertenencia a una clase latente de cada
estudiante. A continuación, esta nueva variable se consideró como un factor de predicción dentro de
las regresiones logísticas. Todos los procedimientos de LCA se realizaron utilizando Mplus (versión
7.11; Muthén y Muthén).
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
Pregunta de investigación 2. Una serie de análisis de regresión logística se llevaron
a cabo para examinar el grado en que las clases generadas LCA-diferían en una serie de
resultados académicos y de comportamiento. La variable de pertenencia a una clase
categórica descrita previamente sirvió como predictor, mientras que cada una de las
siguientes variables dicotómicas sirvió como resultados: (a) ODRs, (b) suspensiones, (c)
ausencias, (d) las pruebas de rendimiento en todo el estado calificaciones de artes del
lenguaje / inglés y (e) en todo el estado resultados de las pruebas logro de las
matemáticas. Cada análisis también controlada por múltiples variables a nivel estudiantil
demográficas (es decir, grado, sexo y etnia), que la investigación ha encontrado
previamente para dar cuenta de un grado de variación en los resultados de los
estudiantes académicos y de comportamiento (Deater-Deckard, Dodge, Bates, y Pettit,
1998; Kilgus, Riley-Tillman, Chafouleas, Cristo, y Welsh, 2014). 2)
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
estadísticas y asociados pag valores, lo que indica la contribución única de cada predictor en
relación con las variables de resultado. Una corrección de Bonferroni a la crítica pag valor se
utiliza para el control de la tasa de error de tipo I familywise. Teniendo en cuenta 30 2 estadísticas
fueron de interés, la crítica pag valor se ajustó a 0.002 ( 0,05 / 30).
De mayor interés fueron los odds ratios asociados a la pertenencia a una clase
comparaciones. Estos valores se interpretan como cuantas veces más probable que las
probabilidades de algún resultado (por ejemplo, ser suspendido) fueron para una clase con
relación a otro. Tenemos previsto que dentro de los análisis de regresión logística, la hipótesis de
la clase definida por la ausencia de riesgo para los académicos o comportamiento serviría como
grupo de comparación. Por lo tanto, todos los odds ratios reflejarían las probabilidades de los
resultados para las clases definidas por un cierto nivel y la combinación de riesgo relativo a una
clase sin ningún riesgo.
El grado de missingness datos se evaluó una vez más antes de regresiones
logísticas. No se identificaron datos que faltan para el ODR, suspensión o ausencias
variables. Por el contrario, los datos de rendimiento a nivel estatal faltaban por 1% de
los estudiantes. Dada esta vez bajo porcentaje de missingness, se tomó la decisión de
proceder con la eliminación por lista (Kline, 2011), de manera que cada análisis de
regresión logística sólo se considera para los que tienen estaban disponibles datos
completos. Todas las regresiones logísticas se llevaron a cabo dentro de SPSS versión
25.
resultados
Pregunta de Investigación 1
Los ACV se utilizaron para evaluar una serie de modelos latentes cada vez más complejos,
incluidos los definidos haber uno, dos, tres, y cuatro clases. La Tabla 1 presenta un resumen de
las estadísticas de ajuste asociados a cada
tabla 1
Análisis de clase latente Fit Estadísticas
Modelo AIC Ajustado BIC BIC LMR LRT Entropía
Una clase 7,892.95 7,930.08 7,907.84
De dos clases 7,535.90 7,615.47 7,567.82 . 001 . 58
Tres de clase 7,518.02 7,640.02 7,566.96 . 004 . 60
Cuatro clases 7,529.86 7,694.30 7,595.82 . 804 . 57
Nota. BIC criterio de información bayesiano; el criterio de información de Akaike de la AIC; y LRT LMR Lo-Mendell-Rubin
prueba de razón de verosimilitud.
modelo. AIC y estadísticas BIC ajustadas fueron más bajo para (y por tanto compatibles) el
modelo de tres clases, mientras que BIC era más bajo para el modelo de dos clases. La entropía
fue más alta para el modelo de tres clases, aunque todavía caer por debajo de los umbrales
comunes para la entropía aceptable, que sugieren la presencia de clases altamente
discriminantes (es decir,
. 80; Muthén y Muthén, 2007). El LMR LRT sugirió hubo una mejoría estadísticamente
significativa en el ajuste del modelo para el modelo twoclass en relación con el modelo de una
sola clase, así como el modelo de tres clases en relación con el modelo twoclass. No mejoría
estadísticamente significativa se observó para el modelo de cuatro clases en relación con el
modelo de tres clases. Tomados en conjunto, cuatro de los cinco estadísticos de ajuste
soportado interpretación del modelo de tres clases. Por lo tanto, se tomó la decisión de seguir
adelante con mayor interpretación y consideración de este modelo en particular.
La Tabla 2 muestra el porcentaje de estudiantes de cada categoría de riesgo dentro de cada
variable a través de las tres clases latentes. Una revisión de Clase 1 ( norte 566; 38,1%)
porcentajes indican que a través de las tres variables (es decir, R-CBM, M-COMP, y SAEBRS), la
mayoría de los estudiantes eran de la categoría de bajo riesgo. Una revisión de Clase 2 ( norte 191;
12,8%) porcentajes indicaron que para las variables académicas, la mayoría de los estudiantes eran
de los rangos moderados y de alto riesgo. Para los SAEBRS, la mayoría de los estudiantes eran de
la gama de alto riesgo. Por último, una revisión de Clase 3 ( norte 730; 49,1%) porcentajes revelaron
que la mayoría de los estudiantes eran de la gama de bajo riesgo para R-CBM, los rangos
moderados y de alto riesgo para M-COMP, y el rango moderaterisk para SAEBRS. Teniendo en
cuenta las diversas configuraciones de riesgo, las siguientes etiquetas descriptivas se aplicaron a
cada clase: académico y el comportamiento (clase 1) de bajo riesgo, matemáticas y el
comportamiento (Clase de riesgo académico y comportamiento de alto riesgo (Clase 2), y en riesgo
3). Tenga en cuenta que la frase “en riesgo” en las etiquetas de categoría se pretende transmitir la
presencia de los estudiantes, tanto en el moderado y alto riesgo rangos dentro de esas categorías.
Pregunta de Investigación 2
Se realizaron una serie de análisis de regresión logística para determinar el grado en que las
clases latentes diferían en los resultados académicos y de comportamiento, mientras que el
control de las variables demográficas de los estudiantes (es decir, grado, sexo y etnia). La Tabla
3 presenta un resumen de los hallazgos. pertenencia a una clase latente resultó ser un predictor
estadísticamente significativa ( pag
. 002) de suspensiones y en todo el estado
resultados de las pruebas logro en matemáticas e Inglés / Artes del lenguaje. los pag
valor por pertenencia a una clase se acercó, pero no alcanzó significación en relación con ambos
ODR ( pag . 002) y ausencias ( pag . 004). los
contrastes entre las clases 2 y 3 con respecto a la Clase 1 fueron estadísticamente
significativos en todos los resultados; esto era con la excepción de los contrastes entre las
clases 1 y 3 para ODRs ( pag . 013) y ausencias
 Académico y de riesgo conductuales 7

Tabla 2 y 2 varió desde 2,39 hasta 146,51, mientras que los odds ratios asociados con los contrastes
Porcentaje de estudiantes dentro de cada rango de riesgo de cada variable a entre las clases 1 y 3 variaron desde 1,87 hasta 11,27.
través de clases latentes

Discusión
Variable Distancia Clase 1 (%) Clase 2 (%) Clase 3 (%)
El propósito de este estudio fue ampliar la literatura relacionada con la detección integrada por
R-CBM Riesgo bajo 96 44 80
Riesgo moderado 4 35 11 tanto el riesgo académico y de comportamiento entre los jóvenes. Más específicamente, los

Alto riesgo 0 21 9 objetivos de este estudio fueron: (a) identificar las clases entre los estudiantes definidos por la
M-COMP Bajo riesgo 83 9 35 presencia o ausencia de riesgo académico y de comportamiento, y (b) evaluar el grado en que las
Riesgo moderado 17 25 39
clases fueron diferentes en lo que se refiere a una serie de resultados académicos y de
Alto riesgo 0 66 26
comportamiento . Hallazgos relacionados con cada uno de estos objetivos se presentan a
SAEBRS Bajo riesgo 85 4 23
Riesgo moderado 15 0 56 continuación.
Alto riesgo 0 95 21

Nota. Clase 1 bajo riesgo académico y el comportamiento; Clase 2 en riesgo

Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado

conducta académica y de alto riesgo; y Clase 3 en riesgo de matemáticas y comportamiento; R-CBM la lectura de
Pregunta de Investigación 1
medida basada en el plan de estudios; M-COMP AIMSweb Computation; SAEBRS
Social, académico y comportamiento emocional hallazgos LCA apoyaron la retención de un modelo de tres clases, que se define por de bajo
Arriesgar Screener.
riesgo académico y el comportamiento (clase 1), en situación de riesgo académico y

comportamiento de alto riesgo (Clase 2), y matemáticas y el comportamiento en riesgo (clase 3) .

Aunque el hallazgo de tres clases está de acuerdo con los resultados de King et al. (2016), se

( pag . 016). Una revisión de los odds ratios asociados con estos contrastes encontró que la naturaleza exacta de cada clase para diferir entre los estudios. Si bien ambos

sugirió que la probabilidad de resultados negativos era mucho mayor para las clases estudios identifican una clase caracterizada por la ausencia de riesgo académico o de

caracterizadas por riesgo académico y de comportamiento (es decir, las clases 2 y 3). Odds comportamiento, las dos clases restantes diferían en cuanto a la composición del riesgo.

ratios asociados con los contrastes entre las clases 1

exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.

Tabla 3
Los resultados de los análisis de regresión logística de, examinando la relación entre la clase de membresía y académico
latente y de Comportamiento resultados

Salir Variable Wald pag O OR ( 95% CI)

Suspensión Grado 8.85 . 012

Género 37.97 . 001
etnicidad 51.01 . 001
clases latentes una 17.02 . 001
Clase 2 11.43 . 001 2.39 [1,44, 3,96]
clase 3 14.49 . 001 2.10 [1,43, 3,08]
ODR Grado 9.01 . 011
Género 23.92 . 001
etnicidad 34.93 . 001
clases latentes una 12.42 . 002
Clase 2 12.07 . 001 2.97 [1,61, 5,49]
clase 3 6.13 . 013 1.87 [1,14, 3,08]
ausencias Grado . 32 . 853
Género 8.18 . 004
etnicidad 8.39 . 211
clases latentes una 11.12 . 004
Clase 2 10,77 . 001 3.19 [1,60, 6,37]
clase 3 5.80 . 016 2.00 [1,14, 3,53]
el rendimiento en matemáticas Grado 6.52 . 038
Género 7.56 . 006
etnicidad 85.85 . 001
clases latentes una 141,07 . 001
Clase 2 40.80 . 001 99.36 [24,23, 407,41]
clase 3 111.57 . 001 4.14 [3.18, 5,39]
el rendimiento en lectura Grado 103.44 . 001
Género 1.88 . 170
etnicidad 126,53 . 001
clases latentes una 194,08 . 001
Clase 2 46.14 . 001 146.51 [34,75, 617,69]
clase 3 168.54 . 001 11.27 [7,82, 16,25]

Nota. ODR oficina de referencia de disciplina; odds ratio OR; CI intervalo de confianza.
una La categoría de referencia para las comparaciones de clase latente corresponde a la Clase 1 (bajo riesgo académico y comportamiento). Otras clases incluyen Clase

2 (comportamiento en riesgo académico y de alto riesgo) y Clase 3 (matemáticas en situación de riesgo y comportamiento).
 8 Kilgus ET AL.
diferencias notables incluyen la documentación de este estudio de (a) una clase que se
caracteriza por un alto riesgo de comportamiento, como Rey et al. (2016) clases únicamente
se han identificado caracterizadas por un riesgo mínimo o moderada; y (b) una clase
caracterizada por riesgo matemáticas con un mínimo o ningún riesgo de lectura, como Rey et
al. clases identificadas definidos por niveles similares de riesgo en cada área académica. Los
dos estudios fueron similares en que una clase caracterizada por el comportamiento de riesgo
por sí solo no fue identificado. En este momento, no es necesariamente claro por qué existen
estas diferencias en la composición de clase entre los dos estudios. Aunque los resultados
difieren podrían estar relacionados con los dos estudios que emplean diferentes herramientas
de detección, otras causas que no se pueden descartar. En conjunto, la consideración de los
hallazgos actuales relativos a la investigación del pasado habla a la naturaleza potencialmente
robusta de la solución threeclass. Aunque nuestro estudio no se replicó por completo la
primera en cuanto a la composición de clase, las dos investigaciones todavía producen
colectivamente expectativas tentativos para las escuelas que participan en un método de
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
detección integrada. Cada una de estas expectativas tentativas entonces ha asociado
implicaciones para la planificación de la intervención de toda la escuela. En primer lugar, es
probable que las escuelas que integran el cribado académico y el comportamiento identificarán
un grupo de estudiantes que no están en situación de riesgo, ya sea para los problemas
académicos o de comportamiento. Tales estudiantes no requieren la intervención y es
probable que sea sensible a los esfuerzos de prevención universal. Segundo, escuelas son
propensos a identificar un grupo de estudiantes que están en riesgo de problemas dentro de
uno o más dominios académicos, al tiempo que demuestra los problemas de bajas o
moderadas de comportamiento. Tales estudiantes es probable que se apoya mejor a través de
intervenciones académicas, aunque algún grado de comportamiento interventionmight ser útil
en la promoción de los esfuerzos académicos. En tercer lugar, se puede esperar que cuando
un estudiante se identifica con problemas de conducta, él o ella también se identifica con
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
problemas académicos. Además, puede estar previsto que el grado de riesgo académico
variará de acuerdo con el riesgo de comportamiento. En tanto la investigación actual y King et
al. (2016), mayor riesgo de comportamiento se asoció con un mayor riesgo o más generalizado
académica (es decir, a través de matemáticas y lectura). En consecuencia,
Pregunta de Investigación 2
Al igual que en King et al. (2016), nuestro análisis de regresión indicó que las clases
identificadas demostraron diferencias estadísticamente significativas entre las variables múltiples
resultados. Mientras que el estudio previo considerada a nivel estatal resultados de las pruebas
logro por sí solos, nuestra mayor alcance permitido la documentación de las diferencias en una serie
de resultados de comportamiento (por ejemplo, suspensiones). Un análisis más detallado indica que
las probabilidades de suspensiones y resultados de las pruebas logro de todo el estado fueron
estadísticamente significativamente mayor en ambos grupos caracterizados por riesgo (es decir, las
clases 2 y 3), en comparación con el grupo que se caracteriza por un bajo riesgo en ambos
académicos y comportamiento. En concreto, la magnitud de los odds ratios sugirió resultados
negativos fueron 2-4 veces más probable que los estudiantes que acrediten problemas académicos
y de comportamiento. Además, la presencia de un alto riesgo de comportamiento y de riesgo a
través de matemáticas y lectura hizo la probabilidad de resultados académicos negativos mucho
mayores. Cuando se compara con la clase académico y el comportamiento de bajo riesgo (es decir,
clase 1), las probabilidades de los resultados académicos negativos dentro de la clase del
comportamiento académica y de alto riesgo en riesgo (es decir, Clase 2) eran 99.36-146.51 veces
mayor. Estos resultados están de acuerdo con la investigación adicional en el
área de problemas académicos y de comportamiento, en donde se han encontrado problemas
concurrentes a colocar a los estudiantes en mayor riesgo de una serie de resultados negativos,
incluyendo la colocación de educación especial, el uso de servicios de salud mental, bajo
rendimiento escolar y la deserción escolar (Darney et al. , 2013;. Reinke et al, 2008). Cuando se
toma en conjunto, los resultados de regresión logística demuestran los potenciales efectos
perjudiciales de las preocupaciones académicas y de comportamiento concurrentes.
Independientemente de si los estudiantes fueron (a) a niveles moderados o altos de
comportamientos de riesgo, o (b) en situación de riesgo dentro de una o ambas áreas
académicas, la probabilidad de resultados negativos fue mucho mayor que la de los estudiantes
que muestran ningún riesgo. Por otra parte, los resultados actuales parecen poner de relieve la
utilidad potencial de la detección de comportamiento al predecir los resultados académicos. Las
dos clases definidas por riesgo (es decir, las clases 2 y 3) no estaban bien diferenciados en
términos de su grado de riesgo académico. Sin embargo, se diferencian por su grado de riesgo
de comportamiento. En el contexto actual, la diferenciación del riesgo de comportamiento habría
ayudado a identificar a los estudiantes que tenían una alta probabilidad de mal desempeño en la
prueba de rendimiento en todo el estado.
Limitaciones y direcciones futuras
Ciertas limitaciones en este estudio deben tenerse en cuenta. En primer lugar, se
recogieron todos los datos del proyecto de manera transversal, con la mayoría de los datos
haber sido recolectados durante la parte de la primavera del año escolar 2016-2017. Como
resultado de ello, los resultados actuales son específicos de las relaciones concurrentes
entre las puntuaciones de cribado y diversos resultados, y no hablan de la capacidad de
detección de predecir futuros problemas. A pesar de la evidencia de validez concurrente
criterionrelated es ciertamente valiosa, se podría argumentar la validez predictiva
criterionrelated representa un mayor nivel de pruebas dentro de cribado universal (Glover y
Albers, 2007). Además, todos los datos eran de naturaleza correlacional. Como resultado,
es imposible sacar ninguna conclusión en cuanto a la naturaleza de la relación entre las
variables examinadas. Por ejemplo, no se puede determinar si las preocupaciones
académicas de los estudiantes precedidos sus problemas de comportamiento, o viceversa.
Aunque la investigación anterior ha señalado a la temporización de esta relación (por
ejemplo, Masten et al., 2005), no se puede determinar dentro de esta investigación
particular. En el futuro, sería útil para recoger datos de forma longitudinal a ambos (a)
informar a conclusiones con respecto a la capacidad de un método de detección integrada
para predecir problemas futuros (en lugar de las preocupaciones actuales, como era posible
a través de este análisis), y (b ) derivar hipótesis sobre el momento y la naturaleza de la
relación entre las preocupaciones académicas y de comportamiento. En segundo lugar, por
desgracia, no había información disponible en relación a los datos demográficos de los
maestros. Por lo tanto, no hemos podido examinar o cuenta factores relacionados con los
docentes dentro de nuestros análisis. Además, nuestro estudio proporciona poca
información sobre los tipos de maestros a los que estos hallazgos podrían generalizar.
Aunque podemos informar de manera anecdótica la muestra maestra era similar a la de
otros grandes distritos urbanos del Medio Oeste, información más específica y cuantitativa
no está disponible.
Conclusión
En resumen, los hallazgos sugieren LCA estudiantes podrían ser colocados en tres grupos
homogéneos definidos por el grado y la naturaleza de ambos tipos de riesgo. Los análisis de
regresión logística sugirió entonces éstos
 Académico y de riesgo conductuales
grupos difieren en una serie de variables académicas y de comportamiento (por ejemplo, ODR,
resultados de exámenes logro a nivel estatal), lo que sugiere la detección de riesgos tiene el
potencial para apoyar la identificación de los estudiantes con una mayor probabilidad de resultados
negativos.
En su conjunto, este estudio proporciona apoyo continuo a un enfoque integrado para la
detección universal, en el que se evalúa el riesgo del estudiante para ambos problemas
académicos y de comportamiento. De acuerdo con las pautas típicas de implementación, un
enfoque de este tipo de selección sería permitir la detección de los estudiantes que requieren
apoyo académico, apoyo conductual, o ambos. Por otra parte, nuestros resultados sugieren
que el enfoque integrado podría ser capaz de detectar los estudiantes que muestran mayor
riesgo de insuficiencia prueba de rendimiento a nivel estatal, un resultado de interés común
con el empleo de los inspectores académicos (Kilgus, methe, et al., 2014).
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
Se sugiere que este estudio se repetirá en el futuro para seguir evaluando el grado en
que las clases identificadas replican a través de contextos. Se sugiere, además, que los
investigadores emplean analiza la transición latente en la evaluación de la medida en que la
pertenencia de clase del estudiante es estable en el tiempo, lo que apoya las conclusiones
en relación con la frecuencia necesaria de los esfuerzos de detección integrados dentro de
las escuelas.
References
Baker, SK, Smolkowski, K., Katz, R., Fien, H., Seeley, JR, Kame'enui,
EJ, y Beck, CT (2008). Fluidez de la lectura como un predictor de dominio de la lectura, en escuelas
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
de bajo rendimiento de alta pobreza. Revisión Escuela de Psicología, 37, 18-37.
Bear, GG, Yang, C., Pell, M., y Gaskins, C. (2014). Validación de una breve medida de las percepciones de
los maestros sobre el clima escolar: Relaciones con los logros y las suspensiones de los estudiantes. Ambientes
de Aprendizaje de Investigación, 17,
339-354. http://dx.doi.org/10.1007/s10984-014-9162-1 Benner, GJ, Nelson, JR, y Epstein,
MH (2002). habilidades lingüísticas de los niños con EBD: Una revisión de la literatura. Diario
de trastornos emocionales y conductuales, 10, 43-56. http://dx.doi.org/10.1177/10634266
0201000105
Bruhn, AL, Lane, KL, y Hirsch, SE (2014). Una revisión de intervenciones del Nivel 2 llevaron a cabo
dentro de los modelos de niveles múltiples de la prevención del comportamiento. Diario de
trastornos emocionales y conductuales, 22, 171-189. http://dx.doi.org/10.1177/1063426613476092
Bruhn, AL, Woods-Groves, S., y Huddle, S. (2014). Una investigación preliminar de las prácticas de
detección emocionales y de comportamiento en escuelas K-12. Educación y tratamiento de
niños, de 37 años, 611-634. http: //dx.doi
. org / 10.1353 / etc.2014.0039
Costenbader, V., y Markson, S. (1998). suspensión de la escuela. Revista de la Escuela de
Psicología, 36, 59-82. http://dx.doi.org/10.1016/S0022-4405 (97) 00050-2
Darney, D., Reinke, WM, Herman, KC, Stormont, M., y Ialongo, NS (2013). Los niños con
problemas académicos y de comportamiento coexistentes en el primer grado: resultados
distales en el duodécimo grado. Revista de la Escuela de Psicología, 51, 117-128.
http://dx.doi.org/10.1016/j.jsp.2012.09.005 Deater-Deckard, K., Dodge, KA, Bates, JE, y Pettit,
SG (1998). Múltiples factores de riesgo en el desarrollo de la externalización de los problemas
de comportamiento: Grupo y las diferencias individuales. Desarrollo y Psicopatología, 10, 469-493.
http://dx.doi.org/10.1017/S0954579498001709 Eklund, K., Kilgus, S., von der Embse, N.,
Beardmore, M., y Tanner, N.
(2017). El uso de las puntuaciones de cribado universal para predecir los resultados académicos y de
comportamiento distales: Un enfoque multinivel. Evaluación psicológica,
29, 486-499. http://dx.doi.org/10.1037/pas0000355
Cada estudiante tenga éxito Acta de 2015, Pub. L. No. 114-95 § 114 Stat. 1177 (2015).
9
Fuchs, LS (2017). medición basada en el plan de estudios como la alternativa emergente: Tres
décadas más tarde. Problemas de aprendizaje Investigación y Práctica, 32, 5-7.
http://dx.doi.org/10.1111/ldrp.12127 Fuchs, LS, Fuchs, D., Hosp, MK, y Jenkins, JR (2001).
fluidez en la lectura oral como un indicador de competencia lectura: Un análisis teórico,
empírico, e histórico. Los estudios científicos de lectura, 5, 239-256. http: //
dx.doi.org/10.1207/S1532799XSSR0503_3 Glover, TA, y Albers, CA (2007). Consideraciones
para la evaluación de las evaluaciones de detección universales. Revista de la Escuela de
Psicología, 45,
117-135. http://dx.doi.org/10.1016/j.jsp.2006.05.005 Hinshaw, SP (1992). Externalización de
los problemas de conducta y bajo rendimiento académico en la infancia y la adolescencia:
relaciones causales y los mecanismos subyacentes. Psychological Bulletin, 111, 127-155.
http://dx.doi.org/10.1037/0033-2909.111.1.127 Educación de Individuos con Discapacidades,
20 USC § 1400 (2004). Jenkins, JR, Hudson, RF, y Johnson, ES (2007). La detección de los
lectores en situación de riesgo en un marco de respuesta a la intervención. Revisión Escuela
de Psicología, 36, 582-600. Kamphaus, RW, y Reynolds, CR (2007). sistema de detección de
comportamiento y emocional. San Antonio, TX: NCS Pearson. Kilgus, SP, Eklund, K., von der
Embse, NP, Taylor, CN, y Sims,
WA (2016). defensibilidad psicométrica de la actividad social, académica y emocional Screener Risk
Behavior (SAEBRS) Escala de Evaluación de maestros y procedimiento de compuerta múltiples dentro
de las muestras de primaria y secundaria.
Revista de la Escuela de Psicología, 58, 21-39. http://dx.doi.org/10.1016/j.jsp
.2016.07.001
Kilgus, SP, Methe, SA, Maggin, DM, y Tomasula, JL (2014). medición basada en el plan de estudios
de la lectura oral (R-CBM): Una exactitud de la prueba meta-análisis de diagnóstico de la
evidencia que apoya el uso en la detección universal. Revista de la Escuela de Psicología, 52, 377-405.
http://dx.doi.org/
10.1016 / j.jsp.2014.06.002
Kilgus, SP, Riley-Tillman, TC, Chafouleas, SM, Cristo, TJ, y Welsh, ME (2014). calificación de
la conducta directa como un comportamiento bloqueador universal, basado en la escuela:
replicación entre sitios. Revista de la Escuela de Psicología, 52, 63-82.
http://dx.doi.org/10.1016/j.jsp.2013.11.002 Kilgus, SP, y von der Embse, NP (2014). Social,
académico, emocional y conductas de riesgo Screener (SAEBRS). Minneapolis, MN:
Theodore J. Cristo y colegas.
Rey, KR, Lembke, ES, y Reinke, WM (2016). Utilizando el análisis de clases latentes para identificar el
estado de riesgo académico y de comportamiento en los estudiantes de primaria. Escuela de
Psicología Quarterly, 31, 43-57. http://dx.doi.org/10
. 1037 / spq0000111
Kirk, RE (1996). El significado práctico: Un concepto cuyo momento ha llegado.
Educativa y psicológica Medición, 56, 746-759. http: // dx
. doi.org/10.1177/0013164496056005002 Kline, RB (2011). Principios y práctica de modelado de
ecuaciones estructurales ( Tercera ed.). Nueva York, Nueva York: Guilford Press. Klingbeil, DA,
Van Norman, ER, Nelson, PM, y Birr, C. (2018). La evaluación de los procedimientos de
selección a través de cambios en la prueba de rendimiento en todo el estado. Evaluación para
una intervención efectiva, de 44 años, 17-31. http://dx.doi.org/10.1177/1534508417747390 Lane,
KL, Robertson Kalberg, J., Lambert, EW, Crnobori, M., y Bruhn, AL (2010). Una comparación de
las herramientas de detección sistemática de los trastornos emocionales y conductuales: Una
réplica. Diario de trastornos emocionales y conductuales, 18, 100-112.
http://dx.doi.org/10.1177/106 3426609341069
Marcy, HM, Chafouleas, SM, Briesch, AM, McCoach, B., y Dineen,
JN (2018). cribado basado en la escuela universal de comportamiento: Un análisis de la orientación
del estado y del distrito en relación con base en la escuela, el cribado universal para el desarrollo
social, emocional y de comportamiento de riesgo ( Emitir Breve No. 2018-1). Obtenido de
https://docs.google.com/viewerng/viewer? url https://needs2.education.uconn.edu/wp-content/uploads/sites/917/
2018/01 / IES-2018-necesidades2-Problemas-en-SEB.pdf & hl en
 10
Masten, AS, Roisman, GI, Long, JD, Burt, KB, Obradovi'
Riley, JR,. . . Tellegen, A. (2005). cascadas de desarrollo: Vinculación de logro académico y
de externalización y la internalización de los síntomas más de 20 años. Developmental
Psychology, 41, 733-746. http: //dx.doi
. org / 10.1037 / 0012-1649.41.5.733
Mattison, RE, Hooper, SR, y Glassberg, LA (2002). Curso de tres años de los trastornos de
aprendizaje en estudiantes de educación especial clasificados como trastorno del
comportamiento. Revista de la American Academy of Child and Adolescent Psychiatry, 41, 1454-1461.Shapiro, ES, y Gebhardt, SN (2012). Comparando equipo de adaptación y métodos de medición
http://dx.doi.org/10.1097/00 004583-200212000-00017
McBride, JR, Ysseldyke, J., Milone, M., y Stickney, E. (2010). idoneidad técnica y
costo-beneficio de cuatro medidas de la alfabetización temprana.
Canadian Journal of School Psychology, 25, 189-204. http://dx.doi.org/
10.1177 / 0829573510363796
McIntosh, K., Campbell, AL, Carter, DR, y Zumbo, BD (2009). La validez concurrente de los problemas de
Este documento es propiedad de la Asociación Americana de Psicología o uno de sus editores aliadas. Este artículo está destinado
disciplina de oficinas y puntos de corte utilizados en apoyo del comportamiento positivo en toda la
escuela. Trastornos del comportamiento, 34, 100-
113. http://dx.doi.org/10.1177/019874290903400204
Morgan, PL, Farkas, G., Tufis, PA, y Sperling, RA (2008). Son la lectura y el riesgo de
problemas de comportamiento factores uno por el otro? Journal of Learning Disabilities, 41, 417-436. Samuelson (Eds.), Los avances en modelos de mezcla variables latentes ( pp. 317-341).
http://dx.doi.org/10.1177/002221 9408321123
Muthén, LK, y Muthén, BO (1998-2012). Guía del usuario mplus ( 7ª ed.).
Los Ángeles, CA: Autor.
Muthén, LK, y Muthén, BO (2007). Re: ¿Cuál es un buen valor de la entropía [ comentario
en línea]. Obtenido de http://www.statmodel.com/ discusión / mensajes / 13 / 2562.html?
1237580237 Nagin, DS (2005). El modelado basado en grupo de desarrollo. Cambridge,
MA: Harvard University Press. http://dx.doi.org/10.4159/978067 4041318
exclusivamente para el uso personal del usuario y no debe difundirse ampliamente.
Centro Nacional para la intervención intensiva. (2017). El progreso académico monitoreo gráfico
herramienta. Obtenido de https: //charts.intensiveintervention
. org / carta / el progreso de monitoreo de Pearson Education. (2012). manual de AIMSweb-Técnica. Bloomington,
MN: Pearson.
Reinke, WM, Herman, KC, Petras, H., y Ialongo, NS (2008). Derivados empíricamente subtipos
de problemas académicos y de comportamiento del niño: Co-ocurrencia y los resultados
distales. Journal of Abnormal Child Psychology, 36, 759-770.
http://dx.doi.org/10.1007/s10802-007-9208-2 Reschly, AL, Busch, TW, Betts, J., Deno, SL, y
Long, JD (2009). lectura oral medición basada en el plan de estudios como un indicador de la
lectura
Kilgus ET AL.
c, J., logro: Un meta-análisis de la evidencia correlacional. Revista de la Escuela de
Psicología, 47, 427-469. http://dx.doi.org/10.1016/j.jsp.2009
.07,001
Reschly, DJ (2008). cambio de paradigma psicología de la escuela y más allá. En A. Thomas & J.
Grimes (Eds.), Las mejores prácticas en psicología escolar ( Quinta ed., Pp. 3-17). Washington, DC:
Asociación Nacional de Psicólogos Escolares.
basadas en el programa de evaluación. Revisión Escuela de Psicología, 41, 295-305.
Sugai, G., Sprague, JR, Horner, RH, y Walker, HM (2000). La prevención de la violencia
escolar: El uso de referencias de disciplina oficina para evaluar y monitorear las
intervenciones de disciplina de toda la escuela. Diario de trastornos emocionales y
conductuales, 8, 94-101. http://dx.doi.org/10
. 1177/106342660000800205
Tanner-Smith, EE, y Wilson, SJ (2013). Un meta-análisis de los efectos de los programas de
prevención de abandono sobre el absentismo escolar. Prevención de la Ciencia, 14, 468-478.
http://dx.doi.org/10.1007/s11121-012-0330-1 Tofighi, D., y Enders, CK (2007). Identificando el
número correcto de clases en una mezcla de modelos de crecimiento. En GR Hancock y KM
Greenwich, CT: Era de la Información. Trzesniewski, KH, Moffitt, TE, Caspi, A., Taylor, A., y
Maughan, B. (2006). Revisando la asociación entre el rendimiento en lectura y el comportamiento
antisocial: Nueva evidencia de una explicación del medio ambiente a partir de un estudio de
gemelos. El desarrollo del niño, de 77 años, 72-88. http://dx.doi.org/10.1111/
j.1467-8624.2006.00857.x
Universidad de Kansas y el Instituto de Evaluación de Logro. (2017).
manual técnico del Programa de Evaluación de Kansas 2016. Obtenido de
https://www.ksassessments.org/sites/default/files/documents/KAP_
Technical_Manual_2016.pdf
Madera, JJ, Lynne-Landsman, SD, Langer, DA, madera, PA, Clark,
SL, Mark Eddy, J., y Ialongo, N. (2012). problemas de asistencia School y psicopatología jóvenes:
modelos de regresión cruz-lag estructurales en tres conjuntos de datos longitudinales. El desarrollo
del niño, de 83 años, 351-366. http: //
dx.doi.org/10.1111/j.1467-8624.2011.01677.x
Recibido el 30 de junio de, 2018
Revisión recibió 30 de noviembre de, 2018
Aceptado el 2 de de enero de, 2019