Cap. 3, 4 y 5.

3. Crear un entorno de aprendizaje de razonamiento estadístico

Visión de conjunto
Los estudios de investigación del capítulo anterior sugirieron formas muy diferentes de
enseñar que las conferencias tradicionales, que es cómo la mayoría de los instructores
de estadísticas actuales aprendieron esto sujetarse a sí mismos. Dejar ese método
familiar para probar técnicas de aprendizaje activo puede ser todo un reto.
Este capítulo ofrece consejos sobre cómo lidiar con muchos problemas prácticos
participa en el aprendizaje del estudiante en una clase de estadística interactiva y
describe formas de construir lo que llamamos "Entorno de aprendizaje de
razonamiento estadístico" (SRLE).
Antes de abordar estos problemas prácticos de instrucción, comenzamos
considerando las teorías de aprendizaje que guía nuestras acciones como docentes.
Resumimos algunos de los aspectos importantes de las teorías de aprendizaje
actuales y proporcionar un modelo de instrucción basado en estas teorías. Ofrecemos
sugerencias para facilitar debates exitosos en el aula, construir Experiencias de
aprendizaje cooperativo para estudiantes (ver también el Capítulo 15), y el uso de la
tecnología para apoyar la construcción de conocimiento estadístico de los estudiantes
(más en el Capítulo 5). Nosotros también Discutir los desafíos y las limitaciones que
dificultan la enseñanza de una manera que promueva Alfabetización estadística y
razonamiento.

Teorías de cómo aprenden los estudiantes

Ya sea que lo sepamos o no, nuestras propias teorías sobre cómo aprenden los
estudiantes nos guían a medida que enseñar. Muchas veces tendemos a enseñar la
forma en que hemos experimentado la instrucción; Nosotros enseñamos La forma en
que nos han enseñado. La mayoría de nosotros experimentamos métodos de
enseñanza "tradicionales", donde el instructor da conferencias y proporciona notas en
un encabezado o en un tablero (pizarra o pizarra blanca), y hemos tomado notas. A
veces las conferencias han sido estimulantes, y A menudo hemos adquirido
conocimiento. A veces nos ha resultado más fácil leer las notas o libro de texto y eso
ha sido suficiente para aprender el material. A veces esto la estrategia de conferencias
/ libros de texto ha sido posible porque lo que se ha evaluado en los exámenes es
nuestra capacidad de recordar lo que nos ha dicho el instructor o el libro de texto.
Esta secuencia se conoce como "enseñar es contar y aprender es recordar" y se basa
en la suposición de que el conocimiento consiste en hechos y habilidades (Thompson
& Zeuli, 1999). Esta teoría supone que los maestros "les dicen" a los estudiantes los
hechos y habilidades que necesitan saber que los estudiantes son recipientes vacíos o
pizarras en blanco en las que reciben el conocimiento, y luego lo devuelven. El grado
en que los estudiantes devuelven o recuerde que el conocimiento correcto se
considera el grado en que han aprendido.
De hecho, a pesar de los literalmente miles de esfuerzos para influir en la instrucción y
el aprendizaje de los estudiantes lejos de "enseñar es contar y aprender es recordar"
desde la Segunda Guerra Mundial, pocos han tenido efectos significativos o duraderos
(Cohen y Ball, 1999). En los últimos años, la ciencia del aprendizaje está comenzando
a proporcionar conocimiento para mejorar significativamente los estudiantes
habilidades para convertirse en aprendices activos que buscan comprender temas
complejos y son mejor preparados para transferir lo que han aprendido a nuevos
problemas y entornos. En particular, la teoría del aprendizaje llamada
"constructivismo" describe el aprendizaje como algo bastante diferente a la secuencia
de contar / recordar.
Constructivismo

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.

Instrucción de construcción sobre teorías del aprendizaje

La implicación de estas teorías actuales del aprendizaje es que una buena práctica
educativa consiste en diseñar entornos de aprendizaje que estimulen a los estudiantes
a construir conocimiento. Esto implica actividades que brindan a los estudiantes
muchas oportunidades para pensar, razonar y reflexionar sobre su aprendizaje, así
como discutir y reflexionar con sus compañeros.
No significa que los maestros nunca deberían "decir" a los estudiantes nada
directamente y en su lugar siempre debe permitirles construir conocimiento por sí
mismos. Más bien significa que el aprendizaje mejora cuando los maestros prestan
atención al conocimiento y las creencias que los alumnos aportan a una tarea de
aprendizaje, utilizan este conocimiento como punto de partida para nuevas ideas,
instrucción y supervisar las concepciones cambiantes de los estudiantes a medida que
avanza la instrucción.

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.

Un entorno de aprendizaje de razonamiento estadístico (SRLE)

Un aula de estadística efectiva y positiva puede verse como un entorno de aprendizaje. para
desarrollar en los estudiantes una comprensión profunda y significativa de las estadísticas y
ayudar Los estudiantes desarrollan su capacidad de pensar y razonar estadísticamente.
Llamamos a este tipo de aula el "Entorno de aprendizaje de razonamiento estadístico" (SRLE).
Al llamarlo un ambiente de aprendizaje, enfatizamos que es más que un libro de texto,
actividades o tareas que brindamos a nuestros estudiantes. Es la combinación de materiales de
texto, clase, actividades y cultura, discusión, tecnología, enfoque de enseñanza y evaluación.
Nuestro modelo se basa en seis principios de diseño instruccional descritos por Cobb y McClain
(2004) que a primera vista puede parecer muy similar a las seis Directrices para
Recomendaciones de evaluación e instrucción en educación estadística (GAISE) para enseñanza
de estadísticas Incluyen el uso de datos reales, actividades, tecnología y evaluación, sin
embargo, los principios de Cobb y McClain van más allá de lo más general Pautas de GAISE,
como se muestra por el formato en negrita en sus principios de diseño enumerados abajo:

1. Se enfoca en desarrollar ideas estadísticas centrales en lugar de presentar un

conjunto de herramientas y procedimientos.
2. Use conjuntos de datos reales y motivadores para involucrar a los estudiantes en la
realización y evaluación conjeturas.
3. Utiliza actividades en el aula para apoyar el desarrollo del razonamiento de los
estudiantes.
4. Integra el uso de herramientas tecnológicas apropiadas que permiten a los
estudiantes evaluar sus conjeturas, explorar y analizar datos, y desarrollar sus
estadísticas razonamiento.
5. Promueve el discurso en el aula que incluye argumentos estadísticos e intercambios
sostenidos que se centran en ideas estadísticas significativas.
6. Utiliza la evaluación para aprender lo que los estudiantes saben y para monitorear el
desarrollo de su aprendizaje estadístico, así como para evaluar planes de instrucción y
Progreso.
Ahora elaboramos cada uno de estos temas en el SRLE.
1. Centrarse en el desarrollo de ideas estadísticas centrales (contenido)
Hay varias ideas estadísticas clave que nos gustaría que todos los estudiantes entiendan en un
Nivel conceptual profundo. Estas ideas sirven como objetivos generales que dirigen nuestra
enseñanza esfuerzos y motivar y guiar el aprendizaje de los estudiantes. Éstos incluyen:
 Datos: comprender la necesidad de datos para tomar decisiones y evaluar información, los
diferentes tipos de datos, cómo los métodos de recopilación de datos (a través de encuestas) y la
producción de datos (en experimentos) hacen una diferencia en los tipos de conclusiones que
pueden extraerse, conociendo las características de los buenos datos y cómo para evitar sesgos y
errores de medición. Comprender el papel, la importancia de y distinción entre muestreo
aleatorio y asignación aleatoria en la recolección y produciendo datos.

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

Una clase "tradicional"

Los estudiantes llegan a clase, sin anticipación de lo que aprenderán listos para copiar lo que el
instructor tiene que decir. El instructor presenta una conferencia que incluye ejemplos, algunos
análisis de datos, quizás algunas demostraciones. Los estudiantes escuchan, toman notas, y tal
vez hacer preguntas. Se van de clase con una tarea que usa información de la clase a la que
acaban de asistir. Se van a casa, intentan resolver los problemas mirando hacia atrás en sus notas
o buscando ejemplos trabajados en el libro de texto, a menudo obteniendo frustrado si no
encuentran una coincidencia exacta.
Ahora imagine un tipo de clase muy diferente.

Una clase SRLE

Los estudiantes saben que tienen que prepararse para la clase leyendo algunas páginas en el
libro de texto. El texto ha sido elegido para que sea actual, de alta calidad y legible. Los
estudiantes reciben preguntas de estudio para guiar su lectura y tomar notas. La introducción al
nuevo contenido se lleva a cabo fuera de clase, a medida que leen el material, practican algunos
ejemplos y tome notas. Por lo tanto, los estudiantes están preparados para venir a clase con una
exposición preliminar a palabras y técnicas, un bajo nivel de estadística literatura.
Imagine que ahora vamos a "ver" una clase sobre la comparación de grupos usando diagramas
de caja. LA Clase comienza con un breve resumen de lo aprendido en la clase anterior, y los
estudiantes son interrogados si tienen preguntas sobre la clase anterior o sobre la lectura
asignada. Los estudiantes hacen algunas preguntas que son respondidas por otros
estudiantes y/o el instructor. El instructor rara vez responde una pregunta
directamente, pero a menudo pregunta a los estudiantes: "¿Qué piensa? ”y si otro
estudiante responde, pregunta:“ ¿Estás de acuerdo con esta respuesta? ¿Por qué?"
Ahora la clase está lista para comenzar la primera actividad. Se les hace una pregunta
a los estudiantes como “¿Crees que las estudiantes universitarias pasan más tiempo
en teléfonos celulares que los hombres? "Se hacen preguntas adicionales como"
¿Cuáles son las cantidades típicas de tiempo? los estudiantes gastan en sus teléfonos
celulares? "o" ¿Qué tipo de distribución esperarías ver para el uso del teléfono celular?
Los estudiantes se agrupan en pequeños grupos para discutir estas preguntas y
esbozar posibles distribuciones, considerando ideas de forma, centro y extensión. El
instructor pide a los grupos que compartan sus conjeturas y razonamientos, y se
escuchan y comparan sus predicciones. Los estudiantes se mueven a las
computadoras y acceden a un conjunto de datos que contiene este información que
previamente se ha recopilado sobre los estudiantes en la clase utilizando un Encuesta
estudiantil en línea. Trabajando en parejas, los estudiantes generan gráficos y
estadísticas para responder Las preguntas sobre el uso del teléfono celular.

…
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.

Desafíos para pasar a un SRLE

Hemos presentado dos extremos: una clase "tradicional" y una clase basada en el
SRLE. El contraste entre estos dos enfoques es grande, y es evidente que incluso un
ansioso y un profesor entusiasta que quiere pasar de un enfoque más tradicional a un
enfoque más El enfoque SRLE se enfrenta a muchos desafíos. Estos desafíos
incluyen estudiantes, colegas e instituciones, así como los desafíos inherentes a los
instructores.
Desafíos estudiantiles
Los estudiantes se inscriben en clases de estadísticas por una variedad de razones, pero
principalmente para cumplir requisitos para diferentes especializaciones. Tienden a ser un grupo
heterogéneo, cuyos antecedentes varían de débil a fuerte matemáticamente, así como en
habilidades escritas y capacidad de pensar críticamente. Los estudiantes también varían en
términos de su motivación, hábitos de estudio y estilos de aprendizaje, y su habilidad y deseo de
trabajar con otros.
Además, los maestros de estadística de hoy deben ser conscientes de que los estudiantes a
menudo aportan conocimiento previo de las estadísticas de sus experiencias educativas
anteriores y de la mundo a su alrededor. No son pizarras en blanco que nunca han oído hablar de
un promedio o visto Un gráfico de barras. También traen intuiciones y conceptos erróneos sobre
el azar y la aleatoriedad. Traen una comprensión de términos como normal, aleatorio, promedio,
muestra que son no se reemplaza fácilmente por el uso estadístico formal de estos términos.
Muchos estudiantes están acostumbrados a un salón de clases donde el maestro les dice y
escuchan. Si ellos fallan clase, pueden tomar prestados apuntes de clase. Están acostumbrados a
trabajar en problemas de tarea del libro de texto que sigue ejemplos en el texto o en clase. Están
acostumbrados a referirse a un libro de texto solo para ejemplos de problemas resueltos, pero no
están acostumbrados a leer un libro de texto para desarrollar la comprensión o para prepararse
para la clase.
…
Desafíos institucionales
A muchas personas les resulta difícil cambiar de un enfoque más tradicional debido a
limitaciones institucionales Por ejemplo, su curso es un requisito previo para un segundo curso,
y se ven obligados a cubrir tantos temas que no pueden pasar mucho tiempo profundizando
Sobre las grandes ideas. Otra restricción es el tamaño de la clase, ya que las clases más grandes
pueden hacer actividades y Discurso más difícil. Finalmente, los recursos tecnológicos pueden
no estar disponibles (por ejemplo, solo tener acceso a Excel o calculadoras gráficas), o los
estudiantes pueden tener acceso limitado a computadoras o internet. Un nuevo desafío que
enfrentan muchos instructores de estadísticas es cómo diseñar un curso que abarque los
principios enumerados anteriormente pero que se enseñe en una Web o Entorno de aprendizaje
híbrido que utiliza la Web y la instrucción cara a cara.
Es difícil ofrecer consejos en esta área. Una sugerencia es hablar con colegas en otro
departamentos sobre sus objetivos de aprendizaje deseados para los estudiantes y qué ideas
consideran Es muy importante que los estudiantes aprendan y retengan después de tomar una
clase de estadística. Podrían también discuta lo que podría eliminarse del curso, si se logran
estos objetivos de aprendizaje dado que el aprendizaje profundo lleva más tiempo que el
aprendizaje superficial. Los instructores también pueden compartir el Pautas de GAISE que han
sido respaldadas por la Asociación Americana de Estadística como soporte para realizar los
cambios recomendados (Franklin y Garfield, 2006). Además, ellos puede compartir la
investigación que muestra que los estudiantes no aprenden mucho del curso tradicional (ver
Capítulo 2), que los conceptos erróneos son tercos y difíciles de superar, y esa investigación
proporciona evidencia de que el método SRLE puede usarse para soportar los cambios
deseados. Finalmente Instamos a los instructores de estadísticas a que realmente colaboren con
sus colegas para trabajar juntos para implementar los cambios deseados. (Vea más sobre la
colaboración del instructor en el Capítulo 16.).

Desafíos para el instructor

Para que los cambios recomendados tengan lugar, es crucial que un maestro adopte Un enfoque
de aprendizaje centrado en los estudiantes. Por ejemplo, un maestro que está acostumbrado a los
métodos tradicionales de "enseñar es contar" necesitará desarrollar una perspectiva diferente
sobre su papel como facilitador del aprendizaje de los estudiantes. El instructor tiene que creer
que los estudiantes pueden aprender y desarrollar la comprensión sin que el maestro les cuente
todo ellos necesitan saber Los lectores de este libro pueden ser profesores universitarios de
estadística o profesores de escuela de estadística. Si bien ambos tipos de maestros pueden tener
muy diferentes antecedentes, pueden sentir una falta común de confianza y apoyo para enseñar
usando los métodos sugeridos en este libro.
Mientras que los estadísticos pueden conocer muy bien su tema y tener experiencia Al analizar
diferentes conjuntos de datos, pueden sentirse más reticentes a apartarse de la conferencia
método. Esto es especialmente difícil si sus experiencias como estudiantes fueron solo en el
Tipo de formato de curso "tradicional" y no han visto ni experimentado otros modelos de
enseñando. Moore, Cobb, Garfield y Meeker (1995) escribieron que los profesores de
estadística son conservador y resistirse a renunciar a los métodos de conferencias, a pesar de
"olas de tecnología y de reforma educativa” (p. 251). Sin embargo, repitiendo los métodos que
experimentamos como estudiantes (conferencias de nuevo material seguido de la práctica de
problemas sobre temas aislados) no funciona bien para la mayoría de los estudiantes
matriculados en clases de introducción de estadística hoy.

Hogg (1992) critica la dependencia de los métodos tradicionales de enseñanza de estadísticas

que conducen a los resultados de los estudiantes pobres. Es posible que los docentes
universitarios de estadística que no han tomado cursos sobre cómo aprenden los estudiantes o
que tengan experiencia en métodos de enseñanza deseen referirse a un buena referencia como
How People Learn (Bransford et al., 2000) así como otros referencias en este libro sobre
enseñanza y aprendizaje para obtener más información sobre educación Teoría y métodos. Los
profesores de secundaria suelen haber obtenido sus títulos en matemáticas o matemáticas.
Educación y he tomado cursos en psicología educativa y métodos de enseñanza. Pueden tener
un conocimiento limitado de estadísticas y experiencia en el análisis de datos y utilizando
tecnología Entonces, ambos grupos de maestros tienen algunas áreas en las que pueden trabajar
para ocupar en huecos Los profesores de secundaria pueden trabajar para profundizar su
conocimiento de las estadísticas (ver, por ejemplo, Shaughnessy & Chance, 2005) para que
puedan desarrollar un conocimiento que utilizarán para ayudar a sus alumnos a aprender.

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.

Un desafío adicional: implementar el SRLE en un curso en línea

Es importante tener en cuenta que cada vez hay más clases introductorias de estadísticas
enseñado en un formato en línea o un formato híbrido (parte en línea, parte cara a cara).
Estudiantes parece valorar la flexibilidad de estos cursos y las instituciones han encontrado que
son cada vez más rentable Hay desafíos adicionales que enfrenta un instructor de un curso en
línea o híbrido que desea pasar a un SRLE, cómo encontrar formas de estudiantes para hacer y
probar conjeturas en grupos pequeños, cómo desarrollar buenas discusiones, y cómo guiar a los
estudiantes para usar diferentes herramientas tecnológicas. Mientras que muchos de los cursos
en línea que se imparten actualmente parecen tener un formato más tradicional, hay ejemplos de
cursos que están trabajando para hacer que los estudiantes participen más en actividades y
discusiones (ver Everson, 2006; Everson, Zieffler y Garfield, en prensa; Tudor, 2006). Nosotros
alentar a más instructores de estos cursos a encontrar formas creativas de implementar
importantes aspectos del SRLE en sus entornos de aprendizaje en línea.
Formas de moverse a SRLE
El primer paso para avanzar hacia el SRLE es ver cómo el curso actual y los materiales se
alinean con los componentes de SRLE descritos en las secciones anteriores y luego Elige un
punto de partida. Por ejemplo, intente una actividad y preguntas de discusión incluidas en los
recursos para este libro.
El sitio web que acompaña a este libro proporciona planes de lecciones completos, estudiante
folletos y, en algunos casos, conjuntos de datos, para un primer curso de estadística SRLE, así
como Otros recursos útiles. Las preguntas de discusión, las instrucciones y los resultados de
muestra de los estudiantes son en el sitio web. Si bien algunos temas no están incluidos en
nuestros materiales, encontrará que otros reciben más énfasis en que se introducen temprano (de
manera informal) y luego revisitado de manera más formal (por ejemplo, modelos estadísticos y
variabilidad de muestreo).
Sin embargo, muchos aspectos de estos temas se pueden encontrar en la mayoría de los libros de
texto introductorios faltan en nuestras lecciones, ya que hemos elegido enfatizar las ideas
principales en un nivel conceptual y han dejado de lado muchos aspectos procesales y
aplicaciones de estos ideas Un alcance completo y una secuencia para los temas y sus
secuencias de actividades pueden se encuentra en el sitio web que lo acompaña.

Capítulo 4: Evaluación en Educación Estadística

Definiciones y objetivos de evaluación

Las evaluaciones se utilizan para muchos propósitos diferentes. Algunos de estos incluyen
informar a los estudiantes sobre su progreso, informar a los maestros sobre el dominio
individual de los estudiantes y proporcionar comentarios sobre la eficacia con la que los
estudiantes están aprendiendo el material deseado para modificar la instrucción. Además, los
datos de evaluación de los estudiantes se pueden usar como una forma de ayudar a los
instructores a aprender y mejorar sus cursos, y para proporcionar información para evaluar el
plan de estudios y los programas.
Dos tipos principales de evaluación a menudo se denominan evaluación formativa y evaluación
sumativa. La evaluación formativa es el monitoreo en proceso de los esfuerzos en curso en un
intento de hacer ajustes rápidos (por ejemplo, un cocinero prueba la sopa y decide si agregar o
no más especias). La evaluación sumativa tiende a registrar el logro general, a menudo para
comparar los resultados con los objetivos, y generalmente ocurre al final de un proceso (por
ejemplo, los clientes prueban la sopa y dan su opinión). Los ajustes basados en los resultados de
las evaluaciones sumativas se pueden hacer para el futuro, pero responden de manera menos
inmediata. Las evaluaciones formativas y sumativas pueden tener diferentes dimensiones, cada
una de las cuales puede tener diferentes objetivos, como promover el crecimiento de los
estudiantes, mejorar la instrucción y demostrar la comprensión conceptual y procesal de los
estudiantes.
En el informe se examinan tres propósitos generales de evaluación: Saber lo que los estudiantes
saben: La ciencia y el diseño de la evaluación educativa (Pellegrino, Chudowsky y Glaser,
2001):
1. Para ayudar al aprendizaje,
2. Para medir el logro individual, y
3. Evaluar los programas.
El informe continúa describiendo el propósito de una evaluación como determinante de
prioridades, y cómo el contexto de uso impone restricciones en el diseño. La evaluación es vista
como un proceso de razonamiento a partir de la evidencia. Sin embargo, los resultados de la
evaluación son solo estimaciones de lo que una persona sabe y puede hacer. El informe destaca
que cada evaluación, independientemente de su propósito, se basa en tres pilares:
1. Un modelo de cómo los estudiantes representan el conocimiento y desarrollan la competencia
en el dominio de la materia.
2. Tareas o situaciones que le permiten a uno observar el desempeño de los estudiantes, y
3. Un método de interpretación para extraer inferencias de la evidencia de rendimiento así
obtenida.
Estos tres elementos fundamentales: cognición, observación e interpretación, comprenden un
"triángulo de evaluación" que subyace en todas las evaluaciones y deben estar explícitamente
conectados y diseñados como un todo coordinado.
La evaluación educativa no existe de manera aislada, pero debe estar alineada con el plan de
estudios y la instrucción para apoyar el aprendizaje. Por lo tanto, la evaluación debe alinearse
cuidadosamente con los objetivos de aprendizajes importantes y valorados. Dado que el enfoque
de este capítulo es evaluar el aprendizaje de los estudiantes, la siguiente sección intenta definir
algunas metas de aprendizaje importantes para los estudiantes. Un ejemplo del uso de datos de
estudiantes para evaluar un programa de estadísticas de pregrado es Peck and Chance (2005).

Definición de objetivos de aprendizaje: alfabetización estadística, razonamiento y pensamiento

Al definir la comprensión del alumno, es importante considerar diferentes aspectos o niveles de

comprensión. La Taxonomía de Bloom (1956) se ha utilizado durante mucho tiempo para
clasificar los resultados del aprendizaje por su nivel de abstracción. Estos niveles incluyen:
 Conocimiento: ¿Pueden los estudiantes recordar información básica, términos, definiciones?
 Comprensión: ¿Pueden los estudiantes comprender, interpretar, predecir y hacer
comparaciones basadas en su conocimiento?
 Aplicación: ¿Pueden los estudiantes usar la información para resolver problemas en
situaciones novedosas?
 Análisis: ¿Los estudiantes ven patrones, conectan y relacionan ideas y hacen inferencias?
 Síntesis: ¿Pueden los estudiantes combinar el conocimiento de varias áreas y generar nuevas
ideas y hacer generalizaciones? ¿Pueden hacer predicciones y sacar conclusiones?
 Evaluación: ¿Pueden los estudiantes hacer juicios y evaluaciones, reconociendo la solidez de
la evidencia para una teoría? ¿Pueden discriminar y tomar decisiones?
Los autores de la evaluación han utilizado esta taxonomía para ayudar a escribir elementos para
evaluar una variedad de niveles de objetivos cognitivos. A pesar de su reputación y
reconocimiento, los escritores que usan esta taxonomía a menudo enfrentan la ambigüedad de
descubrir exactamente cómo usarla a medida que contextualizan los objetivos cognitivos que
desean evaluar. Además, la taxonomía de Bloom es bastante general, y varios artículos han
señalado problemas y limitaciones (por ejemplo, Stanley y Bolton, 1957; Cox, 1965; Poole,
1971, 1972; Fairbrother, 1975; Phillips y Kelly, 1975; Orlandi, 1971 ; Ormell, 1974; Sax,
Eilenberg y Klockars, 1972; Seddon, 1978). Muchos instructores han tenido dificultades para
aplicar esta taxonomía de seis niveles, y algunos han simplificado y colapsado la taxonomía en
tres niveles generales (Crooks, 1988). Una forma de hacerlo es crear la primera categoría:
conocimiento (recuerdo o reconocimiento de información específica), la segunda categoría, una
combinación de comprensión y aplicación, la tercera categoría, "resolución de problemas",
mientras se colapsan los tres niveles restantes.
Las pautas específicas dentro de una disciplina parecen ser más útiles que las categorías
generales como las de la taxonomía de Bloom (1956). Hemos descubierto que el uso de la
alfabetización estadística, el razonamiento y el pensamiento, como se describe en el Capítulo 2,
ayuda a distinguir entre los resultados de aprendizaje deseados tanto al considerar los objetivos
de instrucción como al escribir los elementos de evaluación. Ahora mostramos cómo se pueden
evaluar estos resultados.
La alfabetización estadística implica comprender y utilizar el lenguaje básico y las herramientas
de la estadística: saber qué significan los términos estadísticos básicos, comprender el uso de
símbolos estadísticos simples y reconocer y ser capaz de interpretar diferentes representaciones
de datos (Rumsey, 2002).

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

Ejemplo de un elemento diseñado para medir la alfabetización estadística:

Se seleccionó una muestra aleatoria de 30 estudiantes de primer año en una universidad pública
para estimar el puntaje promedio en una prueba de nivel de matemáticas que el estado exige
para todos los estudiantes de primer año. Se encontró que el puntaje promedio para la muestra
era 81.7 con una desviación estándar de la muestra de 11.45. Describa a alguien que no haya
estudiado estadísticas qué le dice la desviación estándar sobre la variabilidad de los puntajes de
colocación para esta muestra.
Este ítem evalúa la alfabetización estadística porque se enfoca en comprender (saber) lo que
significa el término "desviación estándar". Para más ejemplos de ítems que evalúan la
alfabetización estadística, ver Watson y Callingham (2003).
Ejemplo de un ítem diseñado para medir el razonamiento estadístico
Sin hacer ningún cálculo, ¿cuál de los siguientes histogramas, A o B, esperaría que tuviera una
desviación estándar más alta y por qué?
..
Este ítem evalúa el razonamiento estadístico porque los estudiantes necesitan conectarse y
razonar sobre cómo la desviación estándar de una distribución se ve afectada por la propagación
desde el centro (media). Tienen que razonar sobre el hecho de que. El gráfico B tendría una
desviación promedio más alta de la media que el gráfico A, porque el gráfico A tiene una mayor
proporción de sus valores agrupados más cerca de la media.

Ejemplo de un ítem diseñado para evaluar el pensamiento estadístico

Se seleccionó una muestra aleatoria de 30 estudiantes de primer año en una universidad pública
para estimar el puntaje promedio en una prueba de nivel de matemáticas que el estado exige
para todos los estudiantes de primer año. Se encontró que el puntaje promedio para la muestra
era 81.7 con una desviación estándar de la muestra de 11.45.
Un profesor de psicología en una universidad estatal ha leído los resultados del estudio
universitario. El profesor quiere saber si los estudiantes de su universidad son similares a los
estudiantes de la universidad con respecto a sus puntajes en los exámenes de colocación de
matemáticas. Este profesor recopila información para los 53 estudiantes de primer año
matriculados este semestre en una gran sección (321 estudiantes) de su curso "Introducción a la
psicología". En base a esta muestra, calcula un intervalo de confianza del 95% para el examen
promedio de calificaciones de colocación de matemáticas de 69.47 a 75.72. A continuación hay
dos posibles conclusiones que el profesor de psicología podría sacar. Para cada conclusión,
indique si es válido o no válido. Explique su elección para ambas declaraciones. Tenga en
cuenta que es posible que ninguna de las conclusiones sea válida.
a. El puntaje promedio del examen de colocación de matemáticas para los estudiantes de primer
año en la universidad estatal es más bajo que el puntaje promedio del examen de colocación de
matemáticas de los estudiantes de primer año en la universidad.
b. El puntaje promedio del examen de colocación de matemáticas para los 53 estudiantes en esta
sección es más bajo que el puntaje promedio del examen de colocación de matemáticas de los
estudiantes de primer año en la universidad.
Este ítem evalúa el pensamiento estadístico porque les pide a los estudiantes que piensen en
todo el proceso involucrado en este estudio de investigación al criticar y justificar las diferentes
conclusiones posibles.

Comparación de alfabetización estadística, razonamiento y pensamiento con la taxonomía de

Bloom
Estos tres resultados de aprendizaje de estadísticas también parecen coincidir en cierta medida
con las categorías más generales de Bloom (1956), ya que pueden colapsarse en los tres niveles
descritos en la sección anterior. Vemos la alfabetización estadística como coherente con la
categoría de "conocimiento", el razonamiento estadístico como coherente con la categoría de
"comprensión" (con quizás algunos aspectos de aplicación y análisis), y el pensamiento
estadístico como abarcando muchos elementos de los cuatro niveles superiores de la taxonomía
de Bloom aplicación, análisis, síntesis y evaluación).
Distinguir entre los diferentes tipos de resultados de aprendizaje deseados puede ayudar a los
educadores de estadística a diseñar tareas de evaluación que aborden los diferentes resultados y
crear entornos de aula que permitan múltiples métodos de instrucción y oportunidades de
evaluación. A medida que los objetivos de aprendizaje han cambiado, también lo han hecho los
usos de la evaluación en la instrucción estadística, alejándose de centrarse únicamente en el
propósito de asignar calificaciones como era común en el pasado (Garfield, 2000). Ahora hay
disponible una amplia variedad de instrumentos y métodos para ayudar a los instructores a
evaluar cómo se está desarrollando la comprensión estadística y qué cambios se pueden hacer
para mejorar la comprensión de los estudiantes. Como consecuencia, La evaluación también ha
sido un tema de varios estudios de investigación en educación estadística que analizamos a
continuación.

Investigación sobre evaluación en educación estadística

La investigación reciente sobre evaluación en educación estadística se ha centrado en el diseño,
uso y evaluación de:
instrumentos para evaluar los resultados cognitivos,
instrumentos para evaluar actitudes y disposiciones, y
formas alternativas de evaluación (como trabajo en grupo, carteras y proyectos) centradas en
la aplicación, interpretación, comunicación y comprensión del proceso estadístico.

Evaluar los resultados cognitivos

La mayoría de las evaluaciones utilizadas en los cursos de estadística y en la investigación de
educación estadística se centran en el aprendizaje o los resultados cognitivos de la instrucción.
Muchas de las medidas de aprendizaje y rendimiento utilizadas en los cursos proporcionan solo
un resumen numérico del rendimiento de los estudiantes. Debido a las limitaciones de este
enfoque, ha habido una creciente necesidad de desarrollar herramientas de evaluación que
midan mejor los diferentes tipos de comprensión conceptual para permitir la evaluación del
desarrollo del razonamiento de los estudiantes, que son factibles para las pruebas a gran escala.
Por ejemplo, la Evaluación de razonamiento estadístico (Garfield, 2003) se desarrolló como una
prueba de opción múltiple en la que cada respuesta correcta e incorrecta se mapeó a un objetivo
de razonamiento previamente identificado (por ejemplo, conceptos erróneos comunes como la
"ley de números pequeños" y "equiprobabilidad sesgo ”, Garfield, 2002), mientras se enfoca en
la comprensión de los estudiantes de los conceptos estadísticos y la capacidad de aplicar el
razonamiento estadístico.
Los estudios de Konold (1995) sugieren que los estudiantes tienen intuiciones profundamente
arraigadas, a menudo contradictorias sobre la probabilidad y las estadísticas antes de la
instrucción que él sostiene que no habría podido identificar tan fácilmente si no hubiera
desarrollado nuevos elementos de evaluación centrados en el cambio conceptual que obligó que
él "articule mis objetivos principales y evalúe la efectividad de los materiales que estoy
diseñando". Más recientemente, otros instrumentos como el Inventario del concepto de
estadísticas (SCI, Allen, Stone, Rhoads y Murphy, 2004) y la Evaluación integral de Los
resultados en un primer curso de Estadística (CAOS, Ooms, 2005) han continuado este enfoque
en el desarrollo de instrumentos confiables y válidos para evaluar la comprensión conceptual de
las estadísticas por parte de los estudiantes. El SCI se basa en el Inventario del concepto de
fuerza utilizado para evaluar los conceptos erróneos de los estudiantes sobre la física
newtoniana (Halloun y Hestenes, 1985). La prueba CAOS se centra en la alfabetización
estadística y el razonamiento, y se ha sometido a análisis psicométricos exhaustivos y se han
recopilado datos de referencia para compararlos con datos normativos (delMas, Garfield,
Chance & Ooms, 2006). Los objetivos para ambos instrumentos incluyen usarlos para recopilar
datos entre grupos de estudiantes y entornos para estudios de investigación comparativos.
Además de estas pruebas integrales, 11 pruebas de opción múltiple sobre temas individuales
están disponibles como pruebas en línea (delMas, Ooms, Garfield & Chance, 2006).
…

Métodos de evaluación alternativos

Incluso los buenos estudiantes no siempre muestran una buena comprensión de lo que se les ha
enseñado a pesar de que las medidas convencionales ... certifican el éxito. (Wiggins y McTighe,
1998, p. 2)
A medida que los objetivos de instrucción cambian de habilidades computacionales a una
comprensión conceptual más profunda de ideas estadísticas básicas, la necesidad de métodos
alternativos de evaluación es aún más fuerte que antes. Como Wiggins y McTighe señalan en la
cita anterior, los métodos convencionales a menudo no dan una idea completa de lo que los
estudiantes han aprendido. Muchos métodos innovadores de evaluación alternativa están
disponibles para los maestros de estadística, como proyectos y críticas de artículos, que se
describen en una sección posterior de este capítulo. Si bien los métodos de evaluación
alternativos proporcionan diferentes tipos de información sobre la comprensión y la capacidad
de los estudiantes, también son particularmente propicios para promover el aprendizaje de los
estudiantes.
Las evaluaciones informales también son una alternativa a las pruebas y exámenes tradicionales.
Durante una lección, se pueden hacer preguntas oralmente para investigar conceptos erróneos
comunes y permitir a los estudiantes discutir sus formas de pensar. Se les puede pedir a los
estudiantes que brinden múltiples soluciones a un problema, y luego se les puede pedir que
expliquen su razonamiento. La práctica de explicar el razonamiento y apoyar juicios y
conclusiones los ayudará a realizar mejor estas tareas en evaluaciones posteriores.
El enfoque en la integración de métodos de evaluación mejorados y formas alternativas de
evaluación en estadísticas introductorias permite a los instructores evaluar la comprensión de los
estudiantes a un nivel más profundo, a menudo destacando conceptos erróneos muy arraigados
sobre la probabilidad y las estadísticas. El desarrollo de nuevos instrumentos y tareas de
evaluación está mejorando nuestra capacidad de documentar estos conceptos erróneos y sus
procesos de razonamiento, así como rastrear el desarrollo de la comprensión conceptual de los
estudiantes a medida que aprenden material nuevo. En particular, las herramientas de evaluación
pueden utilizarse por sí mismas como intervenciones educativas poderosas, especialmente una
vez que los estudiantes y el profesorado se sientan más cómodos con la naturaleza formativa de
esta información en lugar de confiar en ellos solo como evaluaciones sumativas.

Diseño de evaluaciones para clases de estadísticas

La evaluación debe apoyar el aprendizaje de conceptos o habilidades importantes y
proporcionar información importante tanto a los maestros como a los estudiantes (Consejo
Nacional de Maestros de Matemáticas (NCTM), 1989 y 2000). Los Estándares de Evaluación
NCTM para Matemáticas Escolares (1995) presentan seis estándares de evaluación que abordan
las matemáticas (el contenido que enseñamos), aprendizaje, equidad, apertura, inferencias y
coherencia. Debido a los múltiples roles que la evaluación puede desempeñar en la educación
estadística, el diseño de un plan de evaluación requiere una cuidadosa consideración. Garfield
(1994) ofrece el siguiente marco de evaluación desde el cual construir:
Lo que debe evaluarse (por ejemplo, un concepto, habilidad, actitud o creencia)
El propósito de la evaluación (por ejemplo, para asignar una calificación, para ayudar al
maestro a modificar la instrucción, para ayudar al alumno a identificar fortalezas o debilidades
en su comprensión)
Quién realizará la evaluación (por ejemplo, autoevaluación por parte del alumno, evaluación
por pares, retroalimentación del instructor)
El método que se utilizará (por ejemplo, proyecto, prueba)
La acción / retroalimentación que se implementará como resultado de la evaluación.
Cada una de estas dimensiones debe considerarse al diseñar una evaluación para ayudar a
garantizar que la evaluación esté alineada con los objetivos del curso y sea lo más efectiva
posible. Debido a que la evaluación de los estudiantes puede llevar mucho tiempo, al diseñar las
tareas de evaluación, recomendamos centrarse en dos principios clave: 1) evaluar lo que se
valora, y 2) incorporar la evaluación en el proceso de aprendizaje.

Evaluar lo que se valora

Los estudiantes prestan la mayor atención al material en el que son evaluados. Los estudiantes
toman sus pistas sobre lo que es importante en el curso basado en evaluaciones. Es fácil afirmar
que la comunicación clara, el análisis y la síntesis de los temas son objetivos del curso. Sin
embargo, incluso cuando un maestro modela estas habilidades durante la clase, los estudiantes
no se centrarán en ellas si no son responsables de demostrar este tipo de habilidades ellos
mismos "cuando sea importante".
Para asegurarse de que el maestro evalúa lo que se valora, puede ser útil reflexionar primero
sobre lo que más le importa al maestro que los estudiantes deberían poder hacer después de
haber tomado una clase de estadística. ¿Deberían recordar una fórmula? ¿Deberían poder tomar
decisiones y proporcionar argumentos basados en evidencia? ¿Deben los estudiantes ser capaces
de conjeturar, construir argumentos y plantear y enmarcar problemas?

Incorporar la evaluación al proceso de aprendizaje.

También es importante concebir un programa de evaluación como un proceso en el que los
estudiantes (y el profesorado) puedan recibir retroalimentación formativa durante el curso, en
lugar del método tradicional de usar evaluaciones solo para determinar las calificaciones finales
del curso. Aprovechar la gran importancia que los estudiantes dan a las evaluaciones brinda una
oportunidad para el aprendizaje y la reflexión sustanciales (por ejemplo, el modelo de
predicción y prueba). Por estas razones, es crucial considerar la evaluación de los estudiantes
simultáneamente con el diseño de actividades de instrucción y considerar cómo las lecciones
aprendidas de los diferentes componentes de la evaluación pueden informar otras partes del
curso (por ejemplo, usar cuestionarios como elementos de examen de muestra para ayudar a
preparar a los estudiantes para el examen). tipos de preguntas que pueden hacerse).
Un maestro de K – 12 puede encontrar que incorporar diferentes tipos de evaluación en el
proceso de aprendizaje ayudará a los estudiantes a desarrollar el conocimiento del contenido y
las habilidades lingüísticas necesarias para el éxito en el próximo nivel escolar. Pero
independientemente de qué nivel se enseñe, se ha demostrado que enseñar a los estudiantes
cómo aprender y reflexionar sobre lo que saben (denominado actividad metacognitiva) mejora
la comprensión en diferentes áreas de contenido (White y Frederiksen, 1998; Schoenfeld, 1987)
y preparar mejor a los estudiantes para ser aprendices de por vida (Bransford, Brown y Cocking,
2000).

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 el contenido, la pedagogía y el formato del curso

Cambios en el contenido
La tecnología ha llevado a numerosos cambios en la práctica estadística. Muchos problemas
analíticamente intratables que antes eran inaccesibles ahora tienen soluciones aproximadas (por
ejemplo, métodos bayesianos). Muchos supuestos que se hicieron para que los modelos
estadísticos pudieran simplificarse y utilizarse ya no necesitan hacerse. Estos cambios en la
práctica estadística tienen un impacto directo en el contenido que debe enseñarse, incluso en el
material introductorio. Por ejemplo, toda una rama de "estadísticas de remuestreo" (Good, 2006)
ahora compite con modelos inferenciales basados en modelos en la práctica, a la vez que parece
más intuitivo para los estudiantes. Otro ejemplo es el uso de tablas estadísticas como las tablas
zyt, que ya no son necesarias para determinar las regiones de rechazo o estimar los valores P
cuando el software estadístico y las calculadoras producen resultados más precisos mucho más
rápidamente. De hecho, muchos educadores de estadística ahora argumentan que los temas
previamente estándar en un curso introductorio (por ejemplo, métodos abreviados para calcular
la desviación estándar) ya no son necesarios para discutir en clase. Finalmente, la tecnología nos
proporciona formas de visualizar y explorar datos que nos han llevado a nuevos métodos de
análisis de datos.

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.

Cambios en el formato del curso

La tecnología también ha impactado la gestión del curso en la forma en que la información se
proporciona a los estudiantes y se comparte entre los estudiantes en una clase. Los sistemas de
gestión de cursos como Blackboard y WebCT (ambos se pueden encontrar en
http://www.webct.com) están desempeñando un papel importante, tanto en las capacidades de
comunicación como de colaboración (por ejemplo, paneles de discusión en línea, presentaciones
de video y tutoriales, agrupación datos entre estudiantes, compartiendo datos recopilados
instantáneamente entre instituciones), así como en la evaluación. Es factible administrar
encuestas y cuestionarios en línea con calificación instantánea y comentarios proporcionados a
los estudiantes. Las nuevas herramientas de la Web 2.0, como Wiki, pueden facilitar el
aprendizaje colaborativo y lograr un cambio de instrucción para mejorar el aprendizaje de las
estadísticas por parte de los estudiantes (Ben-Zvi, 2007). Estos sistemas de aprendizaje brindan
a los estudiantes y maestros más oportunidades de comunicación, retroalimentación, reflexión y
revisión.
La tecnología tiene un gran potencial para mejorar el rendimiento de los estudiantes y el
desarrollo profesional de los maestros, y lo más probable es que continúe impactando la práctica
y la enseñanza de estadísticas de muchas maneras. Sin embargo, la tecnología tiene un impacto
en la educación solo si se usa…

Herramientas tecnológicas para la enseñanza de estadística y probabilidad

Los tipos de tecnología utilizados en estadística e instrucción de probabilidad pueden dividirse
en varias categorías: paquetes de software estadístico, software educativo, hojas de cálculo,
applets / aplicaciones independientes, calculadoras gráficas, materiales multimedia y
repositorios de datos. Existe una gran superposición en las capacidades de las herramientas en
estas categorías, pero aparentemente ninguna herramienta cubre todos los posibles usos
educativos de la tecnología (Ben-Zvi, 2000; Biehler, 1997). Proporcionamos un breve resumen
de los tipos de herramientas disponibles y algunos de sus beneficios y desventajas. Otros
recursos, como The American Statistician (http://www.amstat.org/PUBLICATIONS/tas) o The
Journal of Statistical Software (http://www.jstatsoft.org) proporcionan regularmente revisiones
de software más completas. El objetivo de esta sección es proporcionar un sabor para los tipos
de herramientas tecnológicas disponibles, destacando algunos de los ejemplos más comunes de
cada tipo de herramienta. Es importante recordar que el enfoque de la instrucción debe
permanecer en el contenido y no en la herramienta, y elegir la tecnología que sea más apropiada
para los objetivos de aprendizaje del alumno, lo que podría implicar una combinación de
tecnologías. Dado que continuamente se está desarrollando un nuevo software para la educación
K-16, la siguiente discusión no intenta ser exhaustiva.
El paquete estadístico Minitab en particular siempre ha tenido un enfoque pedagógico y se está
volviendo cada vez más factible como una herramienta que permite a los estudiantes explorar y
construir ideas (por ejemplo, escribir "macros" para muestreo repetido, gráficos que se
actualizan automáticamente a medida que se agregan o manipulan valores de datos , facilidad de
cambio de representaciones). DataDesk (Velleman, 1998; http://www.datadesk.com) es un
paquete similar pero se ha centrado en la exploración de datos y gráficos interactivos desde su
desarrollo inicial. DataDesk proporciona muchas herramientas únicas que permiten a los
estudiantes buscar patrones, hacer preguntas más detalladas sobre los datos y "hablar" con el
programa sobre un conjunto particular de datos. R (Verzani, 2005) es un lenguaje y un entorno
para computación estadística y gráficos que proporciona una amplia variedad de técnicas
estadísticas y gráficas, que incluyen modelos lineales y no lineales, pruebas estadísticas, análisis
de series de tiempo, clasificación y agrupamiento. Es de libre acceso y se usa cada vez más en
las clases introductorias de estadísticas. Se pueden descargar complementos adicionales para
mejorar la interfaz gráfica del programa (http://socserv.mcmaster.ca/jfox/Misc/Rcmdr).

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).

Recomendaciones para usar la tecnología para enseñar estadísticas y probabilidad

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.

Posibles obstáculos para incorporar tecnología en el aula de estadística

La integración de la tecnología en el aula tiene un gran potencial para mejorar la enseñanza y el
aprendizaje, y convertir ese potencial en realidad puede ser una tarea compleja y multifacética.
Algunos de los factores clave para integrar con éxito la tecnología en el aula son las visiones
educativas bien definidas, el diseño curricular y la preparación y el apoyo de los docentes
(Kleiman, 2004). Este éxito viene con algunos "costos" y los instructores y administradores
deben pensar cuidadosamente sobre cómo integrar mejor las herramientas en el aula. Esta
sección presenta algunos de los obstáculos comunes que los maestros deben enfrentar para crear
entornos de aprendizaje ricos con el uso de la tecnología y los mecanismos de apoyo necesarios
para superarlos.
Necesidad de reexaminar los objetivos de aprendizaje de los estudiantes. Si bien la
tecnología permite cambios en el enfoque de instrucción, estos cambios deben reflejarse en los
objetivos del curso y las evaluaciones correspondientes de los estudiantes. En el nivel
secundario en particular, si las pruebas estandarizadas se utilizarán como la única medida del
éxito de los estudiantes, esto afectará la forma en que se debe incorporar la tecnología. Para que
la tecnología tenga el mayor impacto en el aprendizaje de los estudiantes, serán necesarios otros
objetivos del curso. A nivel universitario, los cambios en los resultados de aprendizaje debido al
uso de tecnología (por ejemplo, eliminar el uso de tablas estadísticas y confiar en el software
para calcular los valores P) pueden requerir la aceptación de colegas y administradores. En
cualquier nivel, los cambios resultantes de la incorporación de tecnología pueden requerir el
respaldo de instructores, padres y estudiantes.
Falta de conocimiento y comodidad con las nuevas tecnologías. La probabilidad y las
estadísticas son asignaturas especializadas, y muchas escuelas pueden no tener un miembro de
la facultad con experiencia en estas áreas. Dado que los horarios de los maestros son muy
exigentes, hay poco tiempo disponible para aprender sobre las nuevas tecnologías y sus
capacidades. Es posible que los maestros que han aprendido estadísticas décadas antes no se
sientan cómodos usando las nuevas herramientas y que no crean en el valor de su uso. En
algunos casos, los maestros pueden asistir a conferencias y escuchar sobre nuevas tecnologías,
pero generalmente este no es tiempo suficiente para apreciar los beneficios de la tecnología y
aprender completamente cómo usarla efectivamente en el aula. A menos que los maestros
reciban un apoyo a largo plazo para aprender a usar e implementar tecnología, es poco probable
que la usen en sus aulas. Las comunidades de docentes basadas en Internet se están convirtiendo
en una herramienta cada vez más importante para superar el aislamiento y la necesidad de apoyo
de los docentes (por ejemplo, Levin y Waugh, 1998).
Falta de apoyo a los docentes. Según Ritchie (1996), las escuelas aún no están implementando
efectivamente las tecnologías de instrucción a pesar del aumento en la capacidad de la
tecnología educativa disponible. Este estudio identificó la falta de apoyo administrativo como
uno de los impedimentos más críticos para la integración de la tecnología educativa. Se necesita
apoyo administrativo para proporcionar fondos para laboratorios de computación…
Tiempo de clase requerido para la exploración. Uno de los mayores beneficios del uso de la
tecnología es que permite a los estudiantes explorar conceptos y profundizar en conjuntos de
datos grandes y desordenados, pero tales investigaciones pueden llevar mucho tiempo. Sin
embargo, se puede ahorrar tiempo eliminando otros componentes del curso, como cálculos
manuales y reemplazándolos con mejores preguntas o discusiones más ricas para el beneficio de
una comprensión más significativa por parte de los estudiantes. La educación de los estudiantes
también se beneficiará con más de estas exploraciones que ocurren en los niveles de grado más
bajos, aumentando la comodidad de los estudiantes con tales exploraciones y tal vez
conduciendo a un plan de estudios menos afectado a nivel universitario.
El hecho de que la tecnología puede fallar. Es importante darse cuenta de que las
computadoras pueden fallar, los sitios de Internet pueden no estar disponibles, etc. Por lo tanto,
enseñar con tecnología significa tener un plan en caso de que la tecnología falle durante la clase.
Los planes de contingencia incluyen hacer folletos de las lecciones planificadas o transparencias
que revelen los resultados esperados. De hecho, en probabilidad y estadística, incluso la
tecnología de trabajo puede conducir a resultados inesperados. Es importante que tanto el
maestro como el alumno se sientan cómodos con la aleatoriedad y las aproximaciones en lugar
de las pruebas limpias. Cuando la tecnología falla, el proceso de construcción de la lección a
menudo prepara a los maestros para formular preguntas que pueden llevar a los estudiantes a
tener una discusión que puede servir como preámbulo para la próxima reunión de clase cuando
la tecnología funcionará (Cárdenas, 1998).
Tiempo necesario para implementar cambios. Los maestros no deben esperar que la
inclusión de tecnología en sus aulas muestre mejoras inmediatas en el rendimiento de los
estudiantes o que sea una solución a todas las dificultades de enseñanza (Congreso de EE. UU.,
Oficina de Evaluación de Tecnología)…
Rol poco claro del aprendizaje a distancia. Los métodos que se están desarrollando para el
aprendizaje a distancia, que incorporan muchos usos innovadores de la tecnología, pueden
permitir a las escuelas compartir recursos y hacer que una clase de probabilidad o estadística de
alta calidad en una escuela esté disponible para otras. Sin embargo, con el aumento de los cursos
de aprendizaje a distancia, tampoco está claro cuánto de un curso se puede enseñar utilizando
exclusivamente tecnología, cuáles deberían ser los roles apropiados de un instructor y cuánto
énfasis se debe poner en los estudiantes que generan cálculos y gráficos. a mano. Los "cursos
híbridos" que combinan un componente a distancia con reuniones cara a cara menos frecuentes
también se utilizan con mayor frecuencia (por ejemplo, Utts, et al, 2003; Ward, 2004).
Capítulo 14: Aprender a razonar sobre la covarianza

Instantánea de una actividad basada en la investigación sobre covariación

Es el primer día de una unidad de datos bivariados. Los estudiantes consideran qué tipo de
patrón esperan ver entre el número de semestres que un estudiante universitario ha estado en la
escuela y el número acumulado de créditos que ha obtenido. Hacen una conjetura sobre los
datos que verían si tomaran muestras aleatorias de 100 estudiantes universitarios, cada grupo
muestreado de todos los estudiantes que comienzan su primer, segundo, tercer, cuarto, quinto y
sexto semestre de la universidad. Luego, trabajando en grupos, los estudiantes dibujan una
secuencia de diagramas de cajas, mostrando lo que predecirían que serían las distribuciones de
créditos universitarios acumulativos para estos seis grupos de 100 estudiantes universitarios
seleccionados al azar que se han inscrito de uno a seis semestres.
Los estudiantes discuten su razonamiento mientras hacen esto, comentando que durante el
primer semestre los estudiantes toman de 10 a 18 créditos, pero la mayoría toma alrededor de 13
a 15 créditos. Razonan sobre el centro y la dispersión mientras dibujan un diagrama de caja
previsto para el primer semestre. Para cada semestre posterior también piensan en los valores
típicos esperados y se extienden alrededor de esos valores, dibujando un total de seis diagramas
de caja paralelos. Comparten su razonamiento con la clase, explicando que esperan una mayor
variabilidad con el tiempo a pesar de que esperan un aumento promedio en los créditos
acumulativos. Luego, generan y examinan gráficos y estadísticas resumidas para muestras
aleatorias reales de datos de 100 estudiantes para cada uno de los primeros seis semestres de su
inscripción, y las comparan con sus conjeturas. Vea una muestra de tales gráficos en la Figura 1
a continuación.
…
La atención de los estudiantes se dirige tanto al centro como a la distribución de los diagramas
de caja para cada semestre y cómo cambian con el tiempo. Luego, los estudiantes discuten y
escriben una explicación sobre lo que indican estos gráficos acerca de la relación entre el tiempo
de permanencia en la escuela y los créditos acumulados obtenidos. Se les hacen preguntas sobre
qué tan bien creen que estos datos se generalizan a todos los estudiantes en su institución y qué
tipo de inferencias estarían dispuestos a hacer en base a estos datos. Luego, los estudiantes
consideran una variable que tiene una relación inversa con el número de créditos, de modo que
los valores de esta variable se reducen a medida que aumenta el número de créditos. Sugieren,
por ejemplo, el tiempo restante antes de la graduación: que con más créditos, queda menos
tiempo antes de la graduación. Se les pregunta si esta relación "negativa" es débil, o si piensan
que es fuerte, y se decide que la relación es tan fuerte como la relación positiva con el número
de semestres en la escuela.
Finalmente, se presenta una discusión sobre la causalidad a medida que se les pide a los
estudiantes que discutan si el número de semestres de estar en la escuela "les hace" tener más
créditos, y si se puede determinar una causa y efecto al examinar este conjunto de datos
bivariados.

Justificación de esta actividad

Los estudiantes pueden haber visto diagramas de dispersión antes y pueden tener ideas de
tendencias a lo largo del tiempo, pero lo más probable es que no piensen en la variabilidad en
los datos bivariados. Esta actividad comienza haciéndoles pensar en la variabilidad en seis
intervalos, así como pensando en la tendencia lineal, basada en los centros (valores medios) para
los datos en estos intervalos. Por lo tanto, se les guía a examinar e interpretar datos bivariados
buscando una tendencia y dispersión de la tendencia, enfocándose tanto en el centro como en la
propagación de una variable (y) en relación con los valores de una segunda variable ordinal (x) (
un enfoque sugerido por Cook y Weisberg, 1999). Esta actividad ayuda a los estudiantes a
comenzar a razonar sobre la idea de una relación lineal entre dos variables y ayuda a prepararlos
para interpretar mejor y razonar sobre los diagramas de dispersión de datos. Cuando examinan
diagramas de dispersión, pueden intentar recordar la idea de diagramas de caja paralelos y cómo
representan una serie de mini distribuciones de la variable y, cada una con centro y dispersión,
para la variable x, como se muestra en la Figura 1.
Esta lección también presenta informalmente dos ideas importantes que a menudo son difíciles
de entender para los estudiantes sobre la covarianza. La primera es que la covarianza entre dos
variables no significa que una causa la otra. El segundo punto es la idea de que una asociación
negativa entre dos variables no implica una asociación débil.

La importancia de comprender la covarianza

El razonamiento sobre la asociación (o relación) entre dos variables, también conocido como
razonamiento covariacional, o razonamiento sobre datos bivariados, implica saber cómo juzgar
e interpretar una relación entre dos variables. El razonamiento covariacional también se ha
definido como las actividades cognitivas involucradas en la coordinación de dos cantidades
variables mientras se atiende a las formas en que cambian entre sí (Carlson, Jacobs, Coe, Larsen
y Hsu, 2002). Este tipo de razonamiento puede tomar una forma muy matemática (por ejemplo,
una función lineal), una forma estadística (razonamiento sobre un diagrama de dispersión) o una
forma más cualitativa (por ejemplo, predicciones causales sobre eventos, basadas en
asociaciones observadas, como gastar más el estudio del tiempo parece conducir a mejores
calificaciones en las pruebas, como se describe en la teoría del modelo causal en psicología). El
razonamiento covariacional también se considera que juega un papel importante en el
razonamiento científico (Koslowski, 1996; Schauble, 1996). Aunque la covarianza entre eventos
es una base necesaria pero no suficiente para inferir una relación causal, es una base para hacer
inferencias inductivas causales en la ciencia (Zimmerman, 2005).

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.

Revisión de la literatura relacionada con el razonamiento sobre la covarianza

Debido a su importante papel en tantas disciplinas, el razonamiento covariacional ha sido el
foco de la investigación en psicología, ciencias y educación matemática, además de la
educación estadística. Los estudios de investigación relacionados con la comprensión y el
razonamiento covariacional son bastante diversos y varían según el campo disciplinario de los
investigadores. Estos estudios se resumen en cuatro áreas principales: juicio de covarianza,
comprensión de la covarianza como relaciones funcionales, razonamiento covariacional en la
educación científica y razonamiento y juicios covariacionales en estadística.

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).

Entendiendo la covarianza como relaciones funcionales

Los estudios sobre razonamiento covariacional realizados por investigadores de educación

matemática tienden a centrarse en líneas y funciones de comprensión, o en aspectos del
razonamiento bivariado que podrían usarse en álgebra y cálculo. Por ejemplo, Carlson et al.
(2002) las acciones mentales clasificadas de los estudiantes universitarios afectan el
razonamiento sobre la covarianza de la siguiente manera:
1. La coordinación del valor de una variable con cambios en la otra.
2. La coordinación de la dirección de cambio de una variable con cambios en la otra.
3. La coordinación de la cantidad de cambio de una variable con la cantidad de cambio en la
otra.
4. La coordinación de la tasa de cambio promedio de la función con incrementos uniformes de
cambio en la variable de entrada.
5. La coordinación de la tasa de cambio instantánea de la función con el cambio continuo en la
variable independiente para todo el dominio de la función.
Los estudios de Carlson sugirieron que la mayoría de los estudiantes podían determinar la
dirección del cambio, pero que muchos tenían dificultades para construir imágenes de tasa de
cambio continuo, incluso después de completar un segundo curso de cálculo. Los investigadores
notaron que los estudiantes tienen problemas particulares para representar e interpretar
visualizaciones gráficas. En algunos casos, los investigadores de educación matemática han
sugerido la necesidad de que los maestros hagan que los estudiantes piensen en la covarianza tal
como ocurre en las funciones en términos de eventos dinámicos de la vida real (por ejemplo,
Carlson et al., 2002).
Otros investigadores han señalado que el razonamiento covariacional se usa ampliamente tanto
en álgebra (Nemirovsky, 1996) como en cálculo (Thompson, 1994). En particular, los estudios
sugieren que este tipo de razonamiento juega un papel importante en la comprensión de los
estudiantes de la derivada, o tasa de cambio (por ejemplo, Carlson et al., 2002), y que esta
interpretación de la covarianza es lenta para desarrollar entre los estudiantes ( por ejemplo,
Monk y Nemirovsky, 1994; Nemirovsky, 1996). Los estudios de la educación matemática
también han demostrado que la capacidad de los estudiantes para interpretar información gráfica
y funcional no solo es lenta para su desarrollo, sino que los estudiantes tienden a no ver el
gráfico de una función como una covarianza (Thompson, 1994).

Razonamiento covariacional en la educación científica

Los investigadores en educación científica se han centrado en el aspecto psicológico de la

covariación en relación con la identificación de factores causales o en los aspectos matemáticos
de la covariación, como el razonamiento sobre líneas y funciones. Algunos investigadores han
estudiado cómo los estudiantes usan el razonamiento covariacional para resolver problemas de
ciencias, descubriendo que los estudiantes tienden a usar estrategias de solución subóptimas
para determinar si una relación existe o no en un conjunto de datos bivariados, y que los
estudiantes tienden a inferir una causa relación de datos correlacionales (por ejemplo, Adi,
Karplus, Lawson y Pulos, 1978).
En un estudio más reciente de Kanari y Millar (2004), se estudiaron los enfoques de los
estudiantes para la recopilación e interpretación de datos mientras investigaban las relaciones
entre variables, como parte de la capacidad de los estudiantes para razonar a partir de los datos.
Los autores sostienen que es el razonamiento de los datos lo que distingue el razonamiento
científico del razonamiento lógico. Descubrieron que los estudiantes de todas las edades tenían
una tasa de éxito mucho menor en las investigaciones donde la variable dependiente no
covariaba con la variable independiente, que en aquellos donde sí covariaba. Sugieren que las
investigaciones científicas escolares deben incluir casos de covarianza y no covarianza para
desarrollar el razonamiento covariacional de los estudiantes.

Razonamiento covariacional y juicios en estadística

La investigación en educación estadística generalmente se ha centrado en estudiar el

razonamiento covariacional de los estudiantes como parte de la instrucción en estadística. Las
metodologías utilizadas han sido principalmente cualitativas, siguiendo el formato de los
experimentos de diseño (por ejemplo, Cobb, McClain y Gravemeijer, 2003), mientras que otros
estudios sobre razonamiento covariacional en educación estadística han utilizado métodos en
psicología, utilizando un esquema de codificación cualitativa para ayudar a clasificar la
respuesta datos (p. ej., Batanero, Estepa y Godino, 1997; Moritz, 2004; Morris, 1997;
Stockburger, 1982).
En uno de los estudios anteriores, Stockburger (1982) preguntó a estudiantes universitarios
inscritos en un curso introductorio de estadística para completar muchas veces cuatro ejercicios
de computadora, como Estimando el coeficiente de correlación. Stockburger descubrió que los
estudiantes en general hicieron muy mal en estos ejercicios, y su capacidad para estimar la
correlación mejoró después de usar El software de la computadora.
El impacto de las computadoras en el desarrollo de la comprensión de la asociación estadística
fue estudiado por Batanero, Estepa, Godino y Green (1996) y Batanero et al. (1997) Se pidió a
los estudiantes que evaluaran la existencia de correlación entre dos variables dadas a ellos en
una tabla de contingencia de dos por dos. Los investigadores luego identificaron incorrecto
Estrategias covariacionales empleadas por los estudiantes (basándose en las estrategias descritas
por primera vez en 1958 por Inhelder y Piaget). Ambos estudios (Batanero et al., 1996;
Batanero et al., 1997)
Encontré una mejora general en las estrategias de los estudiantes. Ambos también revelaron el
persistencia de lo que ellos llaman un error unidireccional. Es decir, solo estudiantes percibir
una relación entre las variables en la dirección positiva.
Ambos estudios también mostraron que los estudiantes mantuvieron su concepto erróneo causal
durante La duración de los experimentos. Ambos estudios también mostraron que los
estudiantes tenían problemas con varias características de asociación, como distinguir entre el
papel de variables independientes y dependientes y razonamiento sobre relaciones que fueron
negativos. Finalmente, los estudiantes se dieron cuenta de que el valor absoluto del coeficiente
de correlación estaba relacionado con la magnitud de la relación, pero no relacionaba esa idea
con la difusión de dispersión alrededor de la línea de regresión.
Otros estudios han examinado el razonamiento covariacional de los estudiantes mientras
estudian la regresión e informó algunas de las dificultades asociadas con este tema, incluidos los
problemas con interpretación (por ejemplo, Sánchez, 1999) y problemas con el coeficiente de
determinación, o 2 r (Truran, 1997). Konold (2002) presenta una visión diferente de si las
personas puede hacer juicios covariacionales precisos. Sugiere que las personas no son pobres
haciendo estos juicios, sino que tienen problemas para descifrar las formas en que estos se
muestran las relaciones (por ejemplo, diagramas de dispersión o tablas de contingencia de dos
por dos). Se han realizado investigaciones sobre estudiantes de secundaria que utilizan
TinkerPlots (Konold y Miller, 2005).
….
Los resultados de su estudio sugirieron que la forma de una distribución es un mejor lugar para
comenzar que la variabilidad y que debe haber un enfoque continuo en la densidad relativa y en
la forma de los datos dentro de los segmentos verticales. También sugirieron que un énfasis en
la forma podría conducir a una discusión sobre la fuerza y la dirección en un diagrama bivariado
y que el enfoque en la distribución vertical podría conducir a una idea más intuitiva de la línea
de mejor ajuste.
Un estudio reciente de Zieffler (2006) examinó el desarrollo de los estudiantes del razonamiento
sobre datos bivariados cuantitativos durante un curso introductorio de estadística de nivel
universitario de un semestre. Encontró un resultado sorprendente de que el mayor crecimiento
en el razonamiento covariacional ocurrió al principio del curso, durante la unidad de análisis de
datos y antes del estudio formal de los datos bivariados. Una explicación plausible fue que los
estudiantes estaban desarrollando su razonamiento estadístico en esta parte anterior del curso y
eso facilitó el crecimiento del razonamiento covariacional, incluso antes de la instrucción formal
sobre ese tema.
Otro resultado de su estudio es que los estudiantes parecían razonar mejor y aprender inferencia
cuando la unidad bivariada llegó al final del curso después de la inferencia, en lugar de ser parte
o inmediatamente después de una unidad de exploración de datos, basada en una comparación
de dos secuencias diferentes por supuesto temas en su estudio. Sin embargo, no se encontraron
diferencias en el rendimiento de los estudiantes en una evaluación del razonamiento
covariacional.

El papel de la tecnología en ayudar a los estudiantes a razonar sobre la covariación

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.

Resumen de la literatura relacionada con el desarrollo del razonamiento covariacional

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.

Implicaciones de la investigación: Enseñar a los estudiantes a razonar sobre la covarianza

Los estudios de investigación revisados tienen muchas implicaciones para la enseñanza y la

evaluación de datos bivariados. El razonamiento sobre la covariación parece basarse en el
razonamiento sobre la distribución, especialmente los conceptos de forma y variabilidad (Cobb
et al., 2003; Gravemeijer, 2000; Konold, 2002). Se sugiere que la instrucción se centre en la
densidad relativa y en la forma de los datos dentro de cortes verticales, lo que lleva a ideas de
fuerza y dirección en un diagrama bivariado, lo que podría conducir a una idea más intuitiva de
la línea de mejor ajuste.
La investigación sugiere que el uso de datos que tienen un contexto parece ser importante para
una mejor comprensión de la covarianza por parte de los estudiantes (Adi et al., 1978; Cobb et
al., 2003; Gravemeijer, 2000; Moritz, 2004). Esto ayuda especialmente cuando los datos son
significativos para los estudiantes (Moritz, 2004). Además, la persistencia del concepto erróneo
unidireccional positivo descrito anteriormente implica que los maestros deben proporcionar
tareas que hagan que los estudiantes interpreten y razonen sobre conjuntos de datos que tienen
correlaciones negativas y sin covarianza, que son menos intuitivas y requieren más reflexión por
parte del estudiante. El conocimiento de las dificultades típicas de los estudiantes identificadas
en la literatura de investigación puede ayudar a los maestros a estar atentos a estos errores y
conceptos erróneos a medida que los estudiantes trabajan juntos durante las actividades y
durante las discusiones en clase, así como en las evaluaciones del aprendizaje.
Progresión de ideas: conectando la investigación con la enseñanza

Introducción a la secuencia de actividades para desarrollar el razonamiento 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.

El papel de la colaboración en la mejora de la educación estadística en el aprendizaje, la

enseñanza y la investigación

Colaboración en el Aula de Estadística

Si bien aumentar la colaboración y el aprendizaje activo son ideas relativamente simples,
implementar tales métodos no lo es. Los educadores de estadística pueden preguntar
razonablemente cómo se deben traducir estos métodos de enseñanza al aula de estadística.
Como lo destacó la 7ª Conferencia Internacional de Enseñanza de Estadística (ICOTS), trabajar
cooperativamente en educación estadística implica beneficios y desafíos obvios, y este último
plantea preguntas sobre el grado en que los métodos cooperativos se traducen realmente en
educación estadística (Osvaldo Fabbroni, Chang Lee, Lievesley) , Martin-Guzman, Morettin y
Rossman, 2007). Este capítulo aborda este problema al proporcionar ejemplos específicos de
cómo los educadores de estadística pueden aplicar un marco cooperativo a la enseñanza en el
aula, la evaluación de los estudiantes y la colaboración de los maestros. Por lo tanto, el
propósito de este capítulo es práctico, conectando un marco teórico con pautas y materiales para
profesores de estadística.
Esta primera sección se centra en consejos y materiales prácticos para implementar con éxito
métodos de aprendizaje cooperativo en el aula de estadística. Comenzamos, sin embargo,
diferenciando los términos aprendizaje entre pares, aprendizaje activo, aprendizaje cooperativo
y trabajo en grupo. También presentamos la teoría de la interdependencia social (Deutsch, 1949,
1962; Johnson & Johnson, 1989, 2005), el marco teórico guía para gran parte de la
investigación sobre los efectos de la cooperación.

¿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

¿Qué tiene de diferente la actividad de histograma estructurado cooperativamente?

Cuando los individuos perciben que pueden alcanzar sus objetivos si y solo si los otros
individuos con los que están vinculados cooperativamente también alcanzan sus objetivos, la
teoría de la interdependencia social predice que los individuos tienden a buscar resultados que
sean beneficiosos para todos aquellos con quienes están vinculados cooperativamente. Por lo
tanto, en la actividad de histograma, los individuos saben que, después de trabajar juntos, deben
presentar individualmente sus respuestas a otro estudiante. Los estudiantes también saben que,
después de llegar a un consenso con su segundo compañero, también son responsables
individualmente de justificar su respuesta al instructor. En resumen, si los estudiantes
individuales completan o no la actividad del histograma con éxito depende de darse cuenta de la
respuesta correcta con sus compañeros. De esta manera, las estructuras de objetivos
cooperativos tienden a dar lugar a una interacción de promoción, mientras que las estructuras de
objetivos competitivas e individualistas dan lugar a una interacción opuesta o nula
respectivamente. Los lectores interesados en el apoyo empírico de la teoría de la
interdependencia social son referidos a varios estudios de metanálisis (por ejemplo, Johnson y
Johnson, 1989; Johnson, Johnson, Maruyama, Nelson y Skon, 1981; Roseth, Johnson y
Johnson, en prensa) . Los lectores también son referidos a metanálisis relacionados sobre
efectos cooperativos, aunque desde orientaciones teóricas ligeramente diferentes (por ejemplo,
Ginsberg-Block, Rohrbeck y Fantuzzo, 2006; Rohrbeck, Ginsburg-Block, Fantuzzo y Miller,
2003; Slavin, 1980, 1983, 1995).