Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Aunque existen diferentes versiones del constructivismo, la idea básica es que las
personas aprendan construyendo conocimiento, en lugar de recibir conocimiento. En la
teoría constructivista, el significado de "saber" ha pasado de ser capaz de recordar y
repetir información para poder encontrarlo y usarlo (Simon, 1995).
Hay cuatro características del aprendizaje en el constructivismo: (a) un énfasis en
comprensión; (b) un enfoque en los procesos de conocimiento (por ejemplo, Piaget,
1978; Vygotsky, 1978); (c) el principio de que las personas construyen nuevos
conocimientos y entendimientos basados en lo que ya saben y creen; y (d) la
importancia de ayudar a las personas a tomar control de su propio aprendizaje,
predecir su desempeño en diversas tareas y monitorear sus niveles actuales de
dominio y comprensión (metacognición, por ejemplo, Brown, 1975; Flavell, 1976).
En el sentido más general, la visión contemporánea del aprendizaje de acuerdo con La
teoría constructivista es que los nuevos conocimientos y entendimientos se basan en
los conocimientos existentes y creencias que ya tenemos y estamos basados en
nuestras experiencias (por ejemplo, Cobb, 1994; Piaget, 1978; Vygotsky, 1978).
Aprendemos haciendo Y cuando aprendemos, nuestro conocimiento previo no
desaparece; se integra con el nuevo conocimiento. Una implicación para la enseñanza
es que los maestros deben prestar atención a lo incompleto entendimientos, las falsas
creencias y las interpretaciones ingenuas de conceptos que los alumnos aportan con
ellos a un tema determinado. Luego, los maestros deben desarrollar estas ideas de
manera que ayuden a Cada estudiante a logra una comprensión más madura. Si las
ideas y creencias iniciales de los estudiantes son ignorados, los entendimientos que
desarrollan pueden ser muy diferentes de lo que la intención del maestro (Bransford,
Brown y Cocking, 2000).
Teoría sociocultural
Una perspectiva importante relacionada es la de la teoría sociocultural que se basa en
gran medida en el trabajo de Vygotsky (1986), así como de teóricos posteriores (por
ejemplo, Wertsch, 1991, 1998). Vygotsky describió el aprendizaje como parte de
eventos sociales y que ocurre cuando un alumno interactúa con personas, objetos y
eventos en el entorno. La perspectiva sociocultural tiene una profunda implicación con
respecto al importante papel de Los Procesos de enculturación en el aprendizaje. En
pocas palabras, el proceso de enculturación se refiere a entrando a una comunidad o
práctica y recogiendo sus puntos de vista. El principio el alumno aprende a participar
en una determinada práctica cognitiva y cultural, donde el profesor tiene el importante
papel de mentor y mediador, o el "enculturador" (cf. Schoenfeld, 1992; Resnick, 1988).
Este es especialmente el caso con respecto al pensamiento estadístico, con su propia
cultura, valores y sistemas de creencias, y hábitos de cuestionamiento,
representación, concluir y comunicarse (ver Capítulo 1). Por lo tanto, para la
enculturación estadística a ocurrir, se deben desarrollar herramientas de pensamiento
específicas junto con la cooperación y procesos comunicativos que tienen lugar en el
aula.
Debería ser evidente que es más fácil preparar una conferencia que diseñar un
aprendizaje entorno, donde los estudiantes participan en actividades y debates y / o
colaboración proyectos, apoyados por herramientas tecnológicas. Mientras que el
primer enfoque está centrado en el maestro: "Qué es lo que quiero decirles a mis
alumnos", "qué material quiero cubrir", etc., el segundo el enfoque está más centrado
en el alumno: "qué puedo hacer para promover el aprendizaje de los alumnos", "cómo
¿Puedo involucrar a los estudiantes en el aprendizaje, actividades prácticas,
desarrollar el razonamiento, discutir ideas, trabajar en equipo ", etc. De acuerdo con
este último enfoque, el maestro es elegido como un entrenador instructivo, co-alumno,
enculturador o facilitador, en lugar de como un conducto de conocimiento en un aula
centrada en el profesor. ¿Por qué cambiar de un enfoque centrado en el maestro a un
enfoque centrado en el alumno? Nosotros pensamos la respuesta es que el segundo
enfoque es más efectivo para ayudar a los estudiantes a construir un comprensión
más profunda de las estadísticas y poder salir de una clase y usar lo que tienen
aprendido en clases posteriores o en el mundo real. Un problema con la "enseñanza
es Enfoque "es que los estudiantes rara vez tienen la oportunidad de desarrollar una
comprensión profunda de lo que han "aprendido", y lo olvidan rápidamente después de
completar un curso.
Distribución: Comprender que un conjunto de datos puede ser examinado y explorado como una
entidad (una distribución) en lugar de un conjunto de casos separados, que un gráfico de estos
los datos (cuantitativos) pueden resumirse en términos de forma, centro y dispersión; ese
diferentes representaciones del mismo conjunto de datos pueden revelar diferentes aspectos de
la distribución; que examinar visualmente las distribuciones es importante y necesario parte del
análisis de datos, y que las distribuciones pueden formarse a partir de conjuntos de individuos
valores de datos o de estadísticas resumidas como medias (por ejemplo, distribuciones de
muestreo de los medios). Las distribuciones también nos permiten hacer inferencias
comparando una muestra estadística obtenida a una distribución de todas las estadísticas
muestrales posibles para una Teoría o hipótesis particular.
Variabilidad: comprender que los datos varían, a veces de manera predecible. Ahí pueden ser
fuentes de variabilidad que pueden ser reconocidas y utilizadas para explicar la variabilidad. A
veces, la variabilidad se debe al muestreo o medición aleatorios error. Otras veces, se debe a las
propiedades inherentes de lo que se mide (por ejemplo, pesos de cuatro años). Una parte
importante del examen de datos es determinar qué tan dispersos están los datos en una
distribución. Por lo general, es útil saber un medida del centro al interpretar medidas de
variabilidad y la elección de Estas medidas dependen de la forma y otras características de la
distribución. Las diferentes medidas de variabilidad le dicen cosas diferentes sobre la
distribución (por ejemplo, la desviación estándar se centra en la distancia típica de la media, el
rango indica diferencia entre el valor mínimo y máximo, e IQR revela el ancho de la mitad del
medio de los datos).
Centro: entender la idea de un centro de una distribución como una "señal en un lugar ruidoso
proceso "(Konold y Pollatsek, 2002), que se puede resumir mediante una estadística medida
(como media y mediana). Es más útil interpretar una medida de centrarse junto con una medida
de propagación, y estas opciones a menudo se basan en forma de la distribución y si existen
otras características como valores atípicos, grupos, huecos y asimetría.
Modelos estadísticos: comprender que los modelos estadísticos pueden ser útiles para ayudar
Explicamos o predecimos valores de datos. A menudo comparamos los datos con un modelo
(por ejemplo, la distribución normal o un modelo de regresión) y luego ver qué tan bien se
ajustan los datos modelo examinando residuos o desviaciones del modelo. También utilizamos
modelos simular datos para explorar propiedades de procedimientos o conceptos.
Aleatoriedad: comprender que cada resultado de un evento aleatorio es impredecible, sin
embargo, podemos predecir patrones a largo plazo. Por ejemplo, no podemos predecir si una
tirada de un dado justo será un 2, o cualquier otro número, pero podemos predecir que en
muchos rollos, aproximadamente 1/6 serán 2.
…
Una mirada más cercana al SRLE
Comenzamos describiendo y contrastando lo que a menudo se denomina una clase "tradicional"
para Una clase que incorpora la perspectiva SRLE. Exageramos deliberadamente en lo siguiente
Descripción de la clase "tradicional" para ilustrar las prácticas contrastantes y subyacentes ideas
…
Al final de la clase, después de la discusión final y el resumen, se les puede pedir a los
estudiantes completar una breve tarea de evaluación, proporcionando al maestro comentarios
sobre su aprendizaje para esa clase.
Debería ser evidente el gran cambio que ha habido en el rol del maestro, el rol del alumno y
responsabilidad, y otros aspectos del curso. Ilustramos estas diferencias en Tabla 1.
Finalmente, un maestro que ha sido confidente y cómodo dando conferencias puede ser muy
incómodo darles a los estudiantes una actividad para trabajar en grupos pequeños y caminar
alrededor de escuchar, observar y cuestionar. Conocemos maestros que han temido o
experimentó una disminución en la calificación en las evaluaciones de enseñanza cuando
cambiaron de una clase a formatos de aprendizaje activo, y sentí que los estudiantes solo
querían que fueran a dar una conferencia.
Algunos estudiantes se han sentido frustrados al no tener un instructor que les diga qué
necesitan saber y exigir más a los estudiantes que se preparen y participen en la clase.
Alentamos la confianza y la paciencia. Confianza en que los estudiantes realmente pueden
aprender bien el uno del otro cuando se trabaja en colaboración si se dan buenas actividades y
pautas, confianza en que los estudiantes pueden aprender de su libro de texto cuando reciben
preguntas de estudio y un buen libro de texto y confianza en que las evaluaciones de enseñanza
pueden ser bastante altas si están activas aprender si se usa de manera efectiva. También
alentamos a los maestros a encontrar formas de darles a los estudiantes tareas estructuradas
fuera de clase para permitir más tiempo de clase para actividades y discurso. Nosotros También
fomente la colaboración (ver Capítulo 16) porque siempre es más fácil hacer cambios cuando no
eres el único que hace esto. El Capítulo 16 ofrece muchas sugerencias sobre cómo iniciar o
participar en un grupo de enseñanza cooperativa.
El razonamiento estadístico es la forma en que las personas razonan con ideas estadísticas y dan
sentido a la información estadística. El razonamiento estadístico puede implicar conectar un
concepto con otro (por ejemplo, centrar y difundir) o puede combinar ideas sobre datos y
oportunidad. El razonamiento estadístico implica comprender conceptos a un nivel más
profundo que la alfabetización, como comprender por qué una distribución de muestreo se
vuelve más normal a medida que aumenta el tamaño de la muestra. Razonar también significa
comprender y ser capaz de explicar procesos estadísticos y poder interpretar resultados
estadísticos particulares (por ejemplo, por qué una media es mucho más grande o más pequeña
que una mediana, dada la presencia de un valor atípico) (Garfield, 2002).
El pensamiento estadístico implica un orden de pensamiento más alto que el razonamiento
estadístico. El pensamiento estadístico se ha descrito como la forma en que piensan los
estadísticos profesionales (Wild y Pfannkuch, 1999). Incluye saber cómo y por qué usar un
método, medida, diseño o modelo estadístico particular; comprensión profunda de las teorías
que subyacen a los procesos y métodos estadísticos; así como comprender las limitaciones y
limitaciones de las estadísticas y la inferencia estadística. El pensamiento estadístico también se
trata de comprender cómo se utilizan los modelos estadísticos para representar fenómenos
aleatorios, comprender cómo se producen los datos para estimar las probabilidades, reconocer
cómo, cuándo y por qué usar herramientas inferenciales para resolver un problema estadístico, y
ser capaz de comprender y utilizar contexto de un problema para planificar y evaluar
investigaciones y sacar conclusiones (Chance, 2002).
Palabras que caracterizan los ítems de evaluación para alfabetización estadística, razonamiento
y pensamiento
Una forma de distinguir entre estos resultados relacionados es mediante el examen de las
palabras utilizadas en la evaluación de cada resultado. La Tabla 1 (modificada de delMas, 2002)
enumera las palabras asociadas con diferentes elementos o tareas de evaluación.
Tabla 1: Palabras típicas asociadas con diferentes elementos o tareas de evaluación.
Alfabetización Básica Razonamiento Pensando
Identificar Explicar por qué Aplicar
Describir Explique cómo Crítica
Capítulo 5: Uso de la tecnología para mejorar el aprendizaje de las estadísticas por parte de los
estudiantes
Visión de conjunto
Hoy es difícil imaginar enseñar estadísticas sin utilizar alguna forma de tecnología. Sin
embargo, hace solo 20 años eso era muy común. Las clases de estadísticas de hoy se pueden
impartir en un aula con una computadora proyectada en una pantalla o en un laboratorio con
estudiantes trabajando en sus propias computadoras. Los estudiantes comúnmente poseen una
calculadora más poderosa que las computadoras de hace 20 años. Otros pueden usar una
computadora portátil (laptop) en la escuela, el hogar y en movimiento. Un formato de enseñanza
cada vez mayor en la actualidad es a través de Internet, en forma de un curso basado en la web
con conferencias grabadas en video, debates interactivos, proyectos colaborativos y textos
electrónicos y materiales de evaluación. La revolución tecnológica ha tenido un gran impacto en
la enseñanza de la estadística, quizás más que muchas otras disciplinas. Esto no es tan
sorprendente dado que la tecnología ha cambiado la forma en que trabajan los estadísticos y, por
lo tanto, ha estado cambiando qué y cómo enseñamos (Moore, Cobb, Garfield y Meeker, 1995).
Cambios en la pedagogía
Si bien el impacto de la tecnología en la práctica de las estadísticas es irrefutable, igual de
poderoso ha sido el impacto de la tecnología en la pedagogía estadística y las prácticas
recomendadas. Por ejemplo, los Principios y Estándares del Consejo Nacional de Maestros de
Matemáticas (NCTM) para Matemáticas Escolares declaran que “la existencia, la versatilidad y
el poder de la tecnología hacen posible y necesario reexaminar lo que los estudiantes de
matemáticas deben aprender y cómo pueden hacerlo mejor aprenderlo ”(NCTM, 2000). En
particular, el marco curricular de las Pautas para la Evaluación e Instrucción en Educación
Estadística (GAISE) para PreK-12 establece que “los avances en tecnología y en los métodos
modernos de análisis de datos de la década de 1980, junto con la riqueza de datos de la sociedad
en la era de la información, condujo al desarrollo de materiales curriculares orientados a
introducir conceptos estadísticos en el currículo escolar ya en los grados de primaria ”(Franklin
y Garfield, 2006). Del mismo modo, el GAISE College Report recomienda directamente el uso
de la tecnología para desarrollar la comprensión de los conceptos estadísticos y analizar los
datos en la enseñanza de un curso introductorio de estadística de pregrado (Franklin y Garfield,
2006).
Moore (1997) instó a una reforma de la instrucción estadística y el plan de estudios basado en
fuertes sinergias entre contenido, pedagogía y tecnología. Sin embargo, advirtió a los
estadísticos que recuerden que estamos "enseñando nuestra materia y no la herramienta" (p.
135), y que elijan la tecnología adecuada para el aprendizaje de los estudiantes, en lugar de usar
el software que usan los estadísticos, que puede no ser de naturaleza pedagógica. . De hecho,
muchos tipos de tecnologías están disponibles hoy en día para los profesores de estadística. Se
alienta a los maestros a ver el uso de la tecnología no solo como una forma de calcular números,
sino también como una forma de explorar conceptos e ideas y mejorar el aprendizaje de los
estudiantes (Friel, 2007; Garfield, Chance y Snell, 2000). Además, la tecnología no debe usarse
simplemente por el uso de la tecnología (por ejemplo, ingresar 100 números en una calculadora
gráfica y calcular resúmenes estadísticos), o por pseudo-precisión (llevar a cabo resultados a un
número sin sentido de decimales) (Franklin & Garfield, 2006). Los usos más apropiados de la
tecnología son acceder, analizar e interpretar grandes conjuntos de datos reales, automatizar
cálculos y procesos, generar y modificar gráficos y modelos estadísticos apropiados, realizar
simulaciones para ilustrar conceptos abstractos y explorar preguntas de tipo "qué pasa si ...".
La tecnología también ha ampliado la gama de técnicas gráficas y de visualización para
proporcionar nuevas y poderosas formas de ayudar a los estudiantes a explorar y analizar datos
y pensar sobre ideas estadísticas, permitiéndoles enfocarse en la interpretación de resultados y
comprender conceptos en lugar de la mecánica computacional. Las calculadoras gráficas solas,
muy valoradas por su facilidad de uso, bajo costo y portabilidad, han sido fundamentales para
llevar el contenido estadístico a niveles de grado cada vez más bajos.
A medida que el contenido y el enfoque del curso introductorio de estadística están cambiando,
los cursos de estadística se ven aún más diferentes que en el pasado. Por ejemplo, los
estudiantes son evaluados menos en su capacidad para manipular fórmulas y buscar valores
críticos, y más en su capacidad para seleccionar herramientas de análisis apropiadas (por
ejemplo, elegir técnicas basadas en las variables involucradas), evaluar la validez de diferentes
técnicas, utilizar gráficos herramientas para la exploración de datos, lidiar con conjuntos de
datos más desordenados, proporcionar interpretaciones apropiadas de la salida de la
computadora y evaluar y comunicar la legitimidad de sus conclusiones.
2. Software educativo
Se han desarrollado diferentes tipos de programas de software estadístico exclusivamente para
ayudar a los estudiantes a aprender estadísticas. Fathom (http://www.keypress.com/fathom), una
herramienta flexible y dinámica fue diseñada con el aporte de muchos educadores de estadística
e investigadores educativos para ayudar a los estudiantes a comprender conceptos y procesos
abstractos en estadística, y no intenta tener capacidades de herramientas de software estadístico
más tradicionales. Erickson (2002) describió a Fathom como un entorno dinámico de
aprendizaje informático para enseñar análisis de datos y estadísticas basadas en arrastre,
visualización, simulación y colaboración en red. Las características más sólidas de Fathom son
el fácil acceso a múltiples representaciones vinculadas (consulte la Figura 5), incluidos los
controles deslizantes (consulte las Figuras 2 y 3), la capacidad de crear y ejecutar simulaciones
y las diferentes formas de importar datos de una variedad de fuentes . Un pequeño ejemplo de
las características muy dinámicas e interactivas de Fathom es apuntar al borde de una barra de
histograma y arrastrar la barra, que actualiza inmediatamente el gráfico (ver Figura 4).
Los artículos y presentaciones sobre tecnología en educación estadística han señalado varias
formas efectivas de usar la tecnología en el aula de estadística. A continuación, presentamos un
resumen de nuestras opiniones, basadas en la literatura y en nuestra propia experiencia, sobre
cuáles son algunos temas importantes a considerar.
Con demasiada frecuencia en los cursos de estadística, los estudiantes se centran en los
cálculos numéricos. Esta tendencia puede exacerbarse en un entorno rico en computadoras,
especialmente al usar paquetes estadísticos que producen fácilmente grandes cantidades de
resultados (a menudo poco claros): los estudiantes se centran en el resultado en lugar del
proceso. Muchos maestros también tienen tales expectativas y pueden confiar en los usos de la
tecnología para practicar y practicar en lugar de las tareas ricas y centradas en el estudiante que
ofrecen el mayor valor agregado para el uso de la tecnología (Means, Penuel y Padilla, 2001).
En lugar de dejar que el resultado sea el resultado final, creemos que es importante discutir el
resultado y los resultados con los estudiantes y exigirles que proporcionen explicaciones y
justificaciones de las conclusiones que extraen del resultado y que puedan comunicar sus
conclusiones de manera efectiva. Aunque los estudiantes pueden pasar tiempo ingresando datos
(con énfasis en formas de organizar datos, tipos de variables, etc.) es más útil hacer que solo
ingresen pequeñas cantidades de datos y pasen más tiempo explorando, analizando e
interpretando datos.
Si bien la tecnología permite más exploraciones abiertas y dirigidas por los estudiantes, esto
puede no suceder de inmediato, ya que los estudiantes primero deben familiarizarse con la
herramienta y cómo usarla. A veces, los estudiantes se sienten abrumados o perdidos en los
detalles de las instrucciones o comandos de programación y no ven las ideas estadísticas más
grandes que se están desarrollando. Por ejemplo, al explorar las distribuciones de muestreo, se
enfocan en cuántos ensayos incluir en la simulación en lugar de cómo el tamaño de la muestra
afecta la distribución empírica resultante. Por lo tanto, los maestros necesitan estructurar
cuidadosamente las exploraciones para que, incluso mientras aprenden a usar el software, los
estudiantes puedan enfocarse en los conceptos en lugar de solo prestar atención a la tecnología o
seguir ciegamente una lista de comandos. De esta manera, los estudiantes pueden descubrir y
construir significados para las grandes ideas de la estadística a medida que son guiados a través
de una serie de investigaciones. Por ejemplo, los instructores pueden proporcionar instrucciones
detalladas y pedirles a los estudiantes que interpreten los resultados, pero también incluir
preguntas de seguimiento que les pidan que expliquen el proceso en sus propias palabras o que
actualicen los pasos que aprendieron para reflejar un cambio en el escenario o aplicar La técnica
por sí misma a un nuevo contexto.
La educación estadística también se caracteriza por las ideas erróneas profundamente
arraigadas que los estudiantes suelen tener al ingresar al curso. La tecnología facilita
enormemente el empleo de una estrategia de "predicción y prueba" que ha demostrado ser
efectiva para establecer la disonancia cognitiva necesaria para que los estudiantes cambien sus
formas de pensar sobre un concepto (por ejemplo, Posner, Strike, Hewson y Gertzog, 1982 ) Se
les puede pedir a los estudiantes que predigan lo que observarán (por ejemplo, la forma esperada
de una distribución, el efecto de aumentar el número de observaciones) y luego usar la
tecnología para obtener retroalimentación inmediata sobre su comprensión. Esto es
especialmente útil cuando la retroalimentación es directamente observable sin la necesidad de
una gran cantidad de inferencia por parte de los estudiantes, especialmente a partir de resultados
numéricos que aún no tienen sentido para los estudiantes.
El concepto de covarianza puede ser único en el sentido de que es un concepto importante en los
diferentes campos de la psicología, la ciencia, las matemáticas y las estadísticas, y que el
razonamiento covariacional se describe de manera algo diferente en cada disciplina. Los
estadísticos pueden sorprenderse de que el razonamiento sobre la covarianza, que consideran un
tema estadístico centrado en las distribuciones bivariadas de datos, sea mucho más complejo
que la precaución familiar de que "la correlación no implica causalidad", y más allá del
razonamiento sobre diagramas de dispersión, correlación y análisis de regresión. De hecho, los
psicólogos cognitivos McKenzie y Mikkelsen (en prensa) escribieron que el razonamiento
covariacional es una de las actividades cognitivas más importantes que realizan los humanos.
Es nuestra opinión que para comprender profundamente la covariación en un contexto
estadístico, uno debe comprender todos los aspectos de la covarianza descritos en las otras
disciplinas, así como comprender aspectos únicos de las estadísticas (como el ajuste del modelo
y los residuos) debido a la variabilidad inherente de la realidad. datos. Tal comprensión implica
ideas de estructura y fuerza de una relación bivariada, es su papel en los modelos causales y en
la predicción de eventos, y los valores cambiantes de una variable en relación con otra, como se
expresa en una línea. No es de extrañar que los estudiantes tengan dificultades para comprender
los conceptos relacionados con la covariación, incluido el coeficiente de correlación, r-cuadrado
y una línea de regresión.
Watkins, Scheaffer y Cobb (2004) describen seis características de una relación bivariada que
pueden usarse para guiar a los estudiantes a medida que aprenden a examinar y razonar sobre
datos bivariados. Estos son:
1. Las variables individuales y su variabilidad.
2. La forma de un patrón revelado en una trama bivariada en términos de linealidad, grupos y
valores atípicos.
3. La tendencia si hay una (positiva o negativa).
4. La fuerza de la tendencia: fuerte o débil, variable o constante.
5. Si el patrón puede generalizarse a otras situaciones (puede probarse con métodos
inferenciales y también se basa en cómo se obtuvo la muestra).
6. Si hay explicaciones plausibles para el patrón? ¿Es plausible que una variable pueda tener una
relación causal o que una tercera variable al acecho cause la relación?
Estas ideas pueden desarrollarse informalmente y luego revisarse de manera más formal.
El lugar de covarianza en el currículo
Los temas relacionados con la covariación pueden introducirse en diversos momentos del plan
de estudios. En algunos cursos introductorios y libros de texto, se presentan diagramas de
dispersión como parte de una unidad de análisis de datos. El tema de correlación y regresión se
puede introducir antes o después del tema de inferencia estadística, con argumentos para cada
ubicación del tema (ver Zieffler, 2006). Las ideas relacionadas de tablas de contingencia y
pruebas de chi-cuadrado a menudo aparecen en una unidad separada, muchas veces al final de
un curso.
Creemos que el tema de la covariación puede introducirse de manera informal en una unidad de
recopilación y producción de datos, y que los gráficos de datos bivariados pueden introducirse
de manera informal como parte del análisis de datos, pero que el estudio formal de los datos
bivariados tiene lugar después del estudio de inferencia estadística. Nuestras razones para esto
son que el estudio de la covariación se basa e integra muchos temas estudiados anteriormente en
el curso, y puede revisar y profundizar estas ideas como tema enseñado cerca o al final de un
curso introductorio. Estas ideas incluyen la distribución de datos, el centro y la dispersión, la
variabilidad, el ajuste de un modelo a los datos, el uso de experimentos para inferir la
causalidad, la correlación para explorar las relaciones entre las variables de observación y el uso
de la inferencia estadística para realizar pruebas de correlaciones y coeficientes de regresión
para ver si se observan Las relaciones pueden ser generalizadas.
Nos damos cuenta de que es algo controvertido retrasar el estudio de los diagramas de
dispersión, la correlación y la regresión lineal simple hasta casi el final del curso. Hacemos esto
en base a nuestra revisión de la literatura de investigación, en nuestros hallazgos de que los
estudiantes pueden razonar informalmente sobre datos bivariados mucho antes de la instrucción
formal sobre este tema (ver Zieffler, 2006) y en base a nuestra experiencia positiva enseñando el
tema en esta final. señalar en un curso. Sin embargo, los instructores que quieran presentar
algunas de las lecciones y actividades de este capítulo en un punto anterior de su curso pueden
hacerlo. Finalmente, queremos revisar la idea mencionada en el Capítulo 6 sobre la importancia
de que los estudiantes estén expuestos a conjuntos de datos multivariados. Una vez más, los
conjuntos de datos en este capítulo son multivariados, y aunque los estudiantes pueden
examinar pares de variables a la vez, también se los alienta a mirar los conjuntos de datos de
manera multivariada, deshabilitando e integrando información sobre las relaciones entre pares
de variables para Comprender mejor la variabilidad de las variables individuales, así como los
aspectos del conjunto de datos multivariados.
Juicio de covariación
La investigación realizada por psicólogos proporciona gran parte del trabajo fundamental en la
investigación del razonamiento covariacional. Desde el estudio seminal de Inhelder y Piaget
(1958), los psicólogos han producido varios hallazgos sólidos, basados en muestras de gran
tamaño y el uso de diseños y análisis de tratamiento aleatorizados, que abarcan cinco décadas de
investigación en esta área. Independientemente de la importancia que parece tener el
razonamiento covariacional en la vida cotidiana de las personas, gran parte de la investigación
del campo de la psicología generalmente ha concluido que las personas son sorprendentemente
pobres para evaluar la covariación. Un hallazgo sólido es que las creencias previas de las
personas sobre la relación entre dos variables tienen una gran influencia en sus juicios sobre la
covarianza entre esas variables (por ejemplo, Jennings, Amabile y Ross, 1982; Kuhn, Amsel y
O'Loughlin , 1988).
Este hallazgo está relacionado con otro hallazgo consistente, el de la correlación ilusoria. Existe
una correlación ilusoria cuando un sujeto cree que hay una correlación entre dos eventos no
correlacionados. Esto, por ejemplo, podría abarcar depender más de la memoria en lugar de
examinar los datos / casos presentados (por ejemplo, los sujetos sugerirían que existe una
relación positiva entre el precio y la calidad aunque los datos sugieran lo contrario), y ver los
datos / casos que confirman su expectativas como más relevantes que los casos
desconfirmadores (por ejemplo, McGahan, McDougal, Williamson y Pryor, 2000).
Estudios adicionales han examinado cómo las personas razonan sobre la covarianza de datos en
tablas de contingencia, lo que indica que las personas tienden a no tratar las cuatro celdas de una
tabla de contingencia 2 por 2 como igualmente importantes. De hecho, los juicios de las
personas parecen estar más influenciados por la presencia conjunta de variables y menos
influenciados por la ausencia conjunta de variables (por ejemplo, Kao y Wasserman, 1993).
Otros estudios mostraron que las personas tienen dificultades cuando una relación bivariada es
negativa (por ejemplo, Beyth-Marom, 1982), y que el juicio covariacional de las personas sobre
la relación entre dos variables tiende a ser menos que óptimo (es decir, más pequeño que la
correlación real presentada en los datos o el gráfico) (por ejemplo, Jennings et al., 1982). Otro
hallazgo consistente en estos estudios es que los sujetos tienden a formar relaciones causales
basadas en un análisis covariacional (por ejemplo, Ross & Cousins, 1993).
Los estudios de investigación también han examinado las condiciones y adaptaciones bajo las
cuales las personas tienden a hacer mejores juicios covariacionales. Por ejemplo, los
investigadores han encontrado que los sujetos tienden a hacer juicios más precisos cuando las
variables a examinar son continuas en lugar de dicotómicas (por ejemplo, Jennings et al., 1982),
y otros estudios han sugerido que ciertas adaptaciones, como instrucciones detalladas (Alloy &
Abramson, 1979), formatos fáciles de procesar (Ward y Jenkins, 1965), los sujetos a los que se
les dice que no es contingente (Peterson, 1980), y la baja frecuencia de datos / casos (Inhelder y
Piaget, 1958) podrían ayudar a los sujetos más juzgar con precisión la covariación. También se
ha demostrado que los sujetos hacen juicios más precisos cuando los datos se presentan
simultáneamente en lugar de cuando se presentan un caso a la vez (por ejemplo, Seggie y
Endersby, 1972).
La investigación también sugiere que los tipos y usos particulares de la tecnología pueden
ayudar a los estudiantes a hacer juicios de covarianza más precisos (Batanero et al., 1996, 1997;
Cobb et al., 2003; Gravemeijer, 2000; Konold, 2002; Stockburger, 1982). El uso apropiado de
las visualizaciones puede cambiar las conceptualizaciones estadísticas de los estudiantes (Rubin,
2001), un software particular que proporciona capacidades flexibles y dinámicas y
representaciones múltiples y vinculadas, lo que permite a los estudiantes mostrar, manipular y
analizar datos. Este tipo de tecnología (por ejemplo, TinkerPlots y Fathom) parece ayudar a los
estudiantes a comprender y aplicar el razonamiento covariacional (Carlson et al., 2002; Rubin,
2001). Fathom (Key Curriculum Press, 2006) permite capacidades adicionales como ajustar
visualmente una línea de regresión y mostrar visualmente las desviaciones cuadráticas
cambiantes de la línea a medida que se ajusta una línea a los datos, como se muestra en la
Figura 4.
…
Además del software que permite a los estudiantes explorar y manipular datos bivariados,
también hay applets web que ayudan a los estudiantes a razonar y comprender conceptos
particulares. Por ejemplo, un applet que permite a los estudiantes hacer clic en un gráfico,
creando puntos en un diagrama de dispersión, donde un coeficiente de correlación cambiante
indica el efecto de cada punto agregado en la correlación (por ejemplo, http://www.stat.vt.edu/~
sundar / java / applets / CorrCreateApplet.html), y un applet que permite a los estudiantes
ajustar visualmente una línea a un diagrama bivariado (p. ej., el applet Regresión por ojo del
Laboratorio virtual de arroz en estadísticas http://www.ruf.rice.edu
/~lane/stat_sim/reg_by_eye/index.html).
Otra herramienta que ayuda a los estudiantes a razonar sobre las relaciones bivariadas es el
applet Guessing Correlations, como el que se encuentra en
http://www.stat.uiuc.edu/courses/stat100/java/GCApplet/GCAppletFrame.html). A los
estudiantes se les muestra un conjunto de cuatro diagramas de dispersión y los emparejan con
cuatro coeficientes de correlación (ver Figura 5). A medida que los estudiantes examinan y
razonan sobre estas relaciones, desarrollan un mejor sentido de los diferentes grados de
covarianza y los factores que hacen que el coeficiente de correlación sea mayor y menor.
Al observar los estudios en las diferentes disciplinas juntos, observamos los siguientes hallazgos
generales:
Las creencias previas de los estudiantes sobre la relación entre dos variables tienen una gran
influencia en sus juicios sobre la covarianza entre esas variables;
Los estudiantes a menudo creen que existe una correlación entre dos eventos no
correlacionados (correlación ilusoria);
Los juicios covariacionales de los estudiantes parecen estar más influenciados por la
presencia conjunta de variables y menos influenciados por la ausencia conjunta de variables;
Los estudiantes tienen dificultades para razonar sobre la covarianza cuando la relación es
negativa;
El juicio covariacional de los estudiantes sobre la relación entre dos variables tiende a ser
menos que óptimo (es decir, más pequeño que la correlación real presentada en los datos o el
gráfico); y
Los estudiantes tienden a formar relaciones causales basadas en un análisis covariacional.
Estos hallazgos junto con las sugerencias basadas en experimentos de diseño conducen a
algunas implicaciones para ayudar a los estudiantes a razonar sobre la covarianza.
La siguiente secuencia de actividades presentada en las lecciones está diseñada para guiar a los
estudiantes a través de una progresión de ideas para ayudarlos a comprender la idea de
covarianza de datos y desarrollar el razonamiento covariacional. Esto incluye aprender a
comprender y razonar sobre gráficos de relaciones bivariadas, interpretar y comprender las
características de los datos bivariados, comprender y razonar sobre el coeficiente de correlación,
modelar datos bivariados con una línea y hacer inferencias sobre la naturaleza de las relaciones
bivariadas. Estas actividades se basan en conceptos fundamentales como distribución,
variabilidad, modelo, desviación e inferencia.
¿En qué se diferencia el trabajo cooperativo del trabajo grupal? Para utilizar el aprendizaje
cooperativo de manera efectiva, los maestros de estadística deben darse cuenta de que no todos
los grupos son grupos cooperativos.
Los grupos de estudio, grupos de laboratorio y grupos de discusión pueden ser grupos, pero no
necesariamente son cooperativos. De hecho, mientras que algunos tipos de grupos facilitan el
aprendizaje de los alumnos y aumentan la calidad de vida en el aula, otros tipos pueden
dificultar el aprendizaje de los alumnos y crear desarmonía e insatisfacción en el aula (Fiechtner
y Davis, 1992).
¿En qué se diferencia el aprendizaje cooperativo del aprendizaje activo? El aprendizaje
cooperativo y el aprendizaje activo a menudo se usan indistintamente para describir métodos de
instrucción que permiten a los estudiantes resolver problemas, participar en actividades y
discutir el contenido con los estudiantes. Si bien el aprendizaje cooperativo es una forma de
aprendizaje activo, sin embargo, el aprendizaje activo no es necesariamente cooperativo. Una
distinción importante es que los métodos de aprendizaje cooperativo capitalizan los procesos
motivacionales y epistémicos que ocurren entre individuos en lugar de la curiosidad epistémica
de los estudiantes, la ética laboral o la naturaleza provocativa de una actividad determinada.
Desde la perspectiva del aprendizaje cooperativo, el compromiso y el interés se derivan
principalmente de la forma en que los objetivos individuales de los compañeros están
vinculados entre sí. En pocas palabras, saber que el éxito de sus compañeros depende de usted
mismo, que se "hunden o nadan" juntos, es un poderoso motivador (Kohn, 1986).
Un ejemplo ayuda a ilustrar esta distinción. Considere una actividad centrada en comprender la
desviación estándar (para ver el plan de la lección original, visite
http://www.causeweb.org/repository/StarLibrary/activities/delmas2001). En esta actividad, las
parejas de estudiantes deben decidir si un histograma tiene una desviación estándar mayor que
otro histograma, o si los dos histogramas tienen la misma desviación estándar. Esta lección es
claramente activa ya que los estudiantes no son receptores pasivos del conocimiento del
maestro. Sin embargo, simplemente pedirles a los estudiantes que completen la actividad,
incluso pedirles a los estudiantes que trabajen juntos para completar la actividad, no hace que la
actividad sea cooperativa. De hecho, es posible que algunos estudiantes elijan no participar en la
actividad, prefiriendo dejar que su compañero haga todo el trabajo.
Ahora, considere cómo la actividad del histograma puede estructurarse de manera cooperativa.
Los pares de estudiantes vuelven a presentar varios pares de histogramas y deben decidir si un
histograma tiene una desviación estándar mayor que otro histograma, o si los dos histogramas
tienen la misma desviación estándar. El paso instructivo clave es explicar la estructura de
objetivos cooperativos. Específicamente, se les dice a los estudiantes que después de completar
la actividad del histograma, los estudiantes individuales formarán nuevos grupos de dos y
compararán sus respuestas. Los nuevos pares deben llegar a un consenso sobre sus respuestas y,
lo que es más importante, ambos individuos deben poder explicar qué características de los
gráficos respaldan su respuesta. El instructor seleccionará al azar a un individuo de los nuevos
pares para explicar su respuesta a un problema dado.
La estructura cooperativa descrita anteriormente se basa en la teoría de la interdependencia
social (Deutsch, 1949, 1962; Johnson & Johnson, 1989, 2005), cuya premisa básica es que la
forma en que se estructura la interdependencia modera la forma en que los individuos
interactúan, lo que a su vez determina resultados. Las estructuras de metas cooperativas resultan
en una interacción de promoción (como ayuda y asistencia mutua, compartir recursos e
información, actuar de manera confiable y confiable), las estructuras de metas competitivas
resultan en interacción opuesta (como obstruir los esfuerzos de logro de metas de cada uno,
ocultar recursos e información el uno del otro, actuando de manera desconfiada y desconfiada),
y la ausencia de estructuras de objetivos da como resultado la ausencia de interacción. El
modelo básico propuesto por la teoría de la interdependencia social puede representarse de la
siguiente manera:
Estructuras de objetivos (interdependencia) -Patrones de interacción- Resultados situacionales