La estadística juega un papel fundamental para el desarrollo de la vida académica, laboral y cotidiana de los ciudadanos en la sociedad de la información en que vivimos (Batanero, 2013) o sociedad del dato, como la denominan Martínez y Soto (2019). A pesar de ello, es común encontrar en las aulas universitarias, sobre todo de la rama de Ciencias Sociales, estudiantes que se consideran incapaces de superarla antes de intentarlo siquiera. En ello intervienen elementos de tipo cognitivo, afectivo y comportamental, porque a los humanos, en general, nos resulta más sencillo pensar metafórica, asociativa o causalmente, que hacerlo estadísticamente (Kahneman, 2012) y porque los estudiantes, especialmente los que tienen una formación previa más limitada en el ámbito cuantitativo (Blanco, 2004), se sienten temerosos ante la estadística (Finney y Schraw, 2003), lo que la convierte en una de las asignaturas menos favoritas para la mayoría (Lodico et al., 2004), que tienden a procrastinar y diferir hasta los últimos cursos. Los factores afectivos intervienen sustantivamente en la conformación de las actitudes, que cobran especial importancia porque se relacionan con el rendimiento, de modo que unas actitudes negativas generalmente se asocian con un fracaso académico (Carmona, 2004; Cimpoero y Roman, 2018; Estrada et al., 2004; Evans, 2007; León y Vaiman, 2013; Vanhoof et al., 2011) y dificultan el desarrollo de competencias necesarias para desenvolverse a futuro en el mundo profesional (Meller y Rappaport, 2004).

No es raro que, en los estudiantes de magisterio, en aquellas pocas universidades en las que se incluye el desarrollo de competencias estadísticas (Arteaga y Navarro, 2013), se evidencien estos sentimientos negativos (Ruiz de Miguel, 2015) y que la enseñanza y el aprendizaje de la estadística en los cursos de formación de maestros llegue a ser desalentadora no solo para los estudiantes, sino también para los docentes que la imparten. Conocer y corregir lo más tempranamente posible el bajo aprecio por la estadística de los profesores en formación es importante, porque de otro modo puede llegar a tener efectos indeseados. Por una parte, porque es fácil que, como pasa con la actitud negativa hacia las matemáticas (Caballero et al., 2007; Fernández y Aguirre 2010; Gómez y Fernández, 2018; Maz-Machado et al., 2014; Sánchez et al., 2011; Valle et al., 2016), se traslade desde las facultades de educación a las aulas de enseñanza obligatoria (Naya et al., 2014), en un círculo sin fin de retroalimentación de aversión hacia lo numérico; y, por otra, porque puede ser una de las razones por las cuales los docentes involucran menos a la investigación en sus carreras profesionales (Papanastasiou y Schumacker, 2014), lo que significa un obstáculo para el desarrollo científico de la docencia.

La incorporación de la estadística en los grados de maestro se justifica por la adscripción de estos estudios universitarios a una rama en la que esta formación instrumental es materia básica, al servir de vínculo entre la ciencia y el ejercicio profesional. En este sentido, la alfabetización estadística y científica del maestro se sustenta en las tres razones apuntadas al inicio. En el plano académico y laboral, es necesaria, en primer lugar, para reducir la brecha que hay entre la evidencia que surge de la investigación y el trabajo del docente en el aula (Camilli et al., 2020), como vía de actualización y mejora. La formación estadística está en la base del desarrollo de competencias que permiten al maestro “establecer un contacto cordial, permanente y recíproco con la ciencia o las ciencias en las que se genera y cultiva el conocimiento del que nutrirse, como profesional” (Asensio et al., 2015, p. 220) y manejar el lenguaje estadístico, el lenguaje de la ciencia, le capacita como usuario inteligente de los resultados de la investigación educativa (Gaviria, 2015). En segundo lugar, aunque es obvio que no todos los maestros tienen que llegar a ser investigadores, porque entre sus funciones no está necesariamente la de hacer aportaciones científicas al desarrollo o mejora de la educación, es el modo de que al menos un porcentaje de graduados opte por llegar a una formación de máster y de doctorado que le habilite como investigador educativo. Por último, en el plano de lo cotidiano, la alfabetización científica del maestro le sirve para comprender y así ser capaz de transmitir adecuadamente el papel que la evidencia juega en el desarrollo del pensamiento crítico. Discriminar entre lo cierto, lo probable y lo falso cobra especial relevancia en la sociedad actual, caracterizada por su modernidad líquida, donde parece que todos los conocimientos son inestables (Bauman, 2013) y en la que, como indica Cordero (2009), la impronta que deja la formación científica facilita al ciudadano cuestionar, reflexionar y actuar con un criterio propio fundamentado.

La investigación sobre las actitudes hacia la estadística se inicia a mediados del siglo pasado (Bending y Hughes, 1954), pero se desarrolla desde la década de los 80 (Blanco, 2008; Estrada, 2009; Mondéjar y Vargas, 2010) hasta nuestros días. Las actitudes son creencias y cogniciones aprendidas dotadas de una fuerte carga afectiva que predisponen al sujeto a actuar de acuerdo con ellas (Rodríguez Feijoo, 2011). Son un constructo complejo constituido por un conjunto de emociones y sentimientos no innatos pero estables, que se desarrollan paulatinamente (Gal et al., 1997), según las experiencias vividas en el contexto educativo. Aparecen en edades tempranas (Dutton y Blum, 1968), siendo inicialmente positivas (Auzmendi, 1992) aunque se van modificando (Callahan, 1971) si las experiencias no son buenas (Suydam, 1984) y se mantienen así en los años académicos posteriores (Aiken, 1972).

La medición de las actitudes hacia la estadística se basa originalmente en las escalas de actitudes hacia las matemáticas y, salvo en algunos casos en los que se emplea el diferencial semántico (Carmona, 2004), se hace normalmente a través de escalas tipo Likert (Blanco, 2008) en las que el valor de la actitud es la suma de las puntuaciones de las distintas sentencias, directas o invertidas, según la naturaleza positiva o negativa del ítem correspondiente. En la tabla 1 se describen los principales instrumentos empleados a nivel internacional.

Nota: Elaboración propia

Nolan et al. (2012) presentan una revisión sistemática de sus características psicométricas, ya que en torno a estos cuatro instrumentos se ha acumulado abundante evidencia de validez de contenido, estructural, convergente, discriminante y predictiva. Para el contexto español, Blanco (2008) presenta una revisión crítica en la que sitúa la tesis doctoral de Auzmendi realizada en 1991, pero publicada en 1992, como trabajo pionero (Auzmendi, 1992). Tras él han ido apareciendo otros como la Escala de Actitudes hacia la Estadística de Velandrino y Parodi (1999), el Cuestionario de Actitudes hacia la Estadística-CAE de Carmona (2002), que toma como criterio de validez convergente el SATS, la Escala de Actitudes hacia la Estadística de Estrada (2002) o la Escala de Actitudes hacia la Estadística - EAHE de Muñoz (2002). Las escalas SAS, ATS y SATS también se han aplicado en español. Además de los estudios recogidos en la revisión de Blanco (2008), entre los más recientes cabe citar la adaptación de Rodríguez-Santero y Gil-Flores (2019) del SATS-36 que, con una muestra de estudiantes de Ciencias de la Educación de la Universidad de Sevilla, arroja los mejores índices de ajuste para un modelo de cinco factores con errores correlacionados (χ2 /d.f.= 2.19, GFI (Goodness of Fit Index) = .873, CFI (Comparative Fit Index) =.878 y RMSEA (Root Mean Square Error of Approximation) =.055). Sobre las actitudes hacia la estadística de los maestros, en ejercicio o formación, cabe destacar las investigaciones de Estrada (2002), Estrada et al. (2004, 2010), López y Molina, (2016), Ordóñez et al. (2019), Ruiz de Miguel (2015), Vásquez et al. (2019) o Zapata y Rocha (2011).

Nota: Elaboración propia

Este trabajo se centra en los maestros en formación y sus actitudes hacia la estadística medidas a través de la Escala de Actitudes hacia la Estadística (EAE) propuesta por Auzmendi (1992), como una operacionalización del constructo que puede ser apta para la identificación temprana de problemas de desempeño en esta asignatura y de actitudes ligadas a la importancia que los futuros profesores otorgan a la ciencia y a la investigación en su profesión. Como garantía de su adecuación como instrumento de evaluación, es necesario obtener evidencias acerca de su estructura, ya que, a pesar de los estudios realizados, sintetizados en la tabla 2, no se ha conseguido avalar claramente la dimensionalidad del constructo. Se trata entonces de un estudio de validación, en el sentido que se da a la validez en la revisión de la AERA, APA y NCME (2014), donde se concibe como un proceso de acumulación de evidencias acerca de una medida para el propósito que esta persigue, de modo que son los objetivos de la medida los que marcan el tipo de aproximación a la validez más conveniente en cada caso.

En consecuencia, mediante análisis factorial confirmatorio (AFC) y árboles de decisión, ambas técnicas multivariadas adaptadas a datos ordinales, se persiguen los objetivos de reunir evidencias que apoyen 1) la dimensionalidad del constructo “actitudes hacia la estadística”, así como la convergencia y consistencia interna del modelo de medida propuesto; y 2) la utilidad de los ítems del EAE para la identificación de actitudes que predigan la percepción que los estudiantes de magisterio tienen de la investigación y la ciencia y discriminen mejor entre los que se consideran más o menos preparados en el manejo estadístico.

Método

Los datos corresponden a una muestra incidental de 542 estudiantes de los grados de Maestro en Educación Primaria y Educación Infantil de la Universidad Complutense de Madrid, quienes de manera informada y voluntaria responden a la EAE, junto a otras cuestiones, de las cuales tres se utilizan como criterio en el estudio de la validez predictiva de la medida. El cuestionario se aplicó de forma presencial para los alumnos de 1º a 3º (82,6% de la muestra) y on line para los alumnos de 4º curso, que estaban en ese momento en prácticas. Como en investigación educativa no hay un protocolo deontológico específico, se han respetado los derechos de los participantes y la confidencialidad de las respuestas atendiendo a la Declaración de Helsinki de la Asociación Médica Mundial.

Los cálculos necesarios para el logro del objetivo primero se realizan con Mplus. La estrategia elegida es testar los modelos descritos en la tabla 2 y algunas variantes. Para ello, se invierten los ítems negativos (2, 5, 7, 10, 12, 15, 16, 17, 22 y 25) que son los que constituyen los factores 2 y 5 en el modelo original (por lo que, este último es realmente desmotivación). Tras la comprobación de falta de normalidad multivariada, a partir de una matriz de correlaciones policóricas se estiman los parámetros con el método de mínimos cuadrados no ponderados robustos (ULSMV), adecuado en estos casos (Li, 2014 y Xia, 2016). En la fase de evaluación del modelo, se utilizan los índices estandarizados: Chi-cuadrado robusto normalizado (χ2 /d.f.), para valorar el ajuste global, donde valores entre 3 y 5 se consideran aceptables; RMSEA, para valorar la matriz residual, que es aceptable con valores inferiores a .08; y CFI y TLI (Tucker-Lewis Index., de ajuste comparativo, que resultan aceptables a partir de .90. Siguiendo a Hu y Bentler (1999) como evidencia de validez es suficiente un ajuste aceptable en la combinación de estos índices. La dimensionalidad del constructo se refuerza con la interpretación de la relación entre variables observadas y latentes y latentes entre sí, así como con el estudio de la validez convergente, que se aborda a través de dos indicadores. Primero se calcula el promedio de la varianza explicada (Average Variance Extracted, AVE), sumando las cargas factoriales estandarizadas (Pi) al cuadrado y dividiendo por el total ítems de la dimensión como se indica en la fórmula (1).

(1)

Además, se estima la consistencia interna de las dimensiones mediante el cálculo del Alpha de Cronbach ordinal (matriz de correlaciones policóricas) y de la Fiabilidad Compuesta (FC), a partir de las cargas factoriales y de la varianza de error (e_i) con la fórmula (2),

(2)

donde la varianza de error de un ítem es el resultado de restar a 1 su carga factorial al cuadrado, según se indica en la fórmula (3)

(3)

Para el logro del segundo objetivo se recurre a la técnica de segmentación de árboles de regresión con SPSS, que, dentro de las técnicas de clasificación, calcula el algoritmo CHAID (Chi Automatic Interaction Detection) (Kass, 1980), que permite determinar la significatividad de las diferencias de medias con Chi², y CART (Classification And Regression Trees) (Breiman et al., 1984), que jerarquiza los ítems según su importancia normalizada en un proceso supervisado. Los árboles de decisión se presentan como alternativa de análisis multivariado para modelos no paramétricos que están demostrando ser útiles para la validación de medidas educativas (Álvarez Benítez y Asensio-Muñoz, 2020; Blanco et al., 2017). Se denominan árboles porque los diagramas de flujo que arrojan están formados por ramas y hojas o nodos, que representan una división de la población de interés en subgrupos, en función de lo que aportan las variables predictoras a la explicación del criterio elegido (Tourón et al., 2018). En este caso se utilizan como predictores los 25 ítems, tal y como aparecen en la escala EAE original y, como criterios, tres ítems a los que los estudiantes encuestados responden también en una escala Likert de 5 puntos (tabla 3), que se toman como indicadores de desempeño (figura 2) y de la percepción que tienen sobre la actualización y la evidencia científica (figuras 3, 4 y 5).

Resultados

Los estadísticos descriptivos univariados, junto con las correlaciones bivariadas de los ítems se ofrecen en la tabla 3.

Evidencias de validez estructural y convergente

Dado el incumplimiento del supuesto de normalidad (tabla 4), se parte de una matriz de correlaciones policóricas y se utilizan estimadores robustos (ULSMV) en los 11 modelos testados, que se describen y resumen en las tablas 5 y 6.

Junto a los modelos descritos en la tabla 5, los de Auzmendi y Darias se someten a prueba incluyendo un factor de segundo orden. Además, en el modelo Auzmendi se estudia el ajuste eliminando el ítem 20 y el 25, que fueron descartados en validaciones previas, y suponiendo la unidimensionalidad del constructo y la ortogonalidad entre factores. En la tabla 6 se ofrecen los índices estandarizados, ya que son los que permiten una evaluación comparativa de los modelos.

El modelo original de Auzmendi (2) es el que muestra un mejor ajuste, ajustando mejor que un modelo unidimensional (9). Tampoco el modelo 10, con un factor general de segundo orden, ni el 7 ni el 8, que eliminan los ítems 20 y 25 respectivamente, consiguen mejorar los resultados del modelo original. El modelo 11 que estima factores no correlacionados, como una solución varimax, obtiene el ajuste más pobre. Tampoco los modelos propuestos en los trabajos previos consiguen con este método y en esta muestra unos índices de ajuste que puedan considerarse aceptables. El más próximo en ajuste estadístico al original es el de Darias (2000), pero la organización de ítems y factores de ese estudio se aleja de la propuesta teórica de Auzmendi. El modelo propuesto (figura 1), muy próximo al original, logra el mejor ajuste, considerando aquellos índices de modificación con significado teórico, que sugieren mover el ítem 24 del factor de agrado (F4) al de utilidad (F1), eliminar el ítem 20 y correlacionar los residuos de los ítems 2 y 14, 2 y 4, 16 y 21, 17 y 22, 16 y 19.

En el modelo propuesto, se ha estudiado la validez convergente (tabla 7). Atendiendo al AVE, cuatro factores obtienen valores próximos .5 y solo en la última dimensión hay en promedio más error en los ítems que parte explicada por el factor latente. En conjunto, el modelo consigue explicar el 48% de variabilidad de los datos. Los coeficientes de fiabilidad avalan una adecuada validez convergente, salvo en F5 donde los resultados obtenidos son simplemente aceptables.

Figura 1

Modelo propuesto con pesos y correlaciones entre errores

Según la varianza compartida entre el ítem y el factor (tabla 8), los ítems mejor representados en el modelo de medida propuesto son el 14, 13 y 24 y los peor representados el 11 y 5, siendo todas las R² significativas.

Por último, se obtienen las correlaciones entre factores (tabla 9), que resultan significativas y por encima de .25 en todos los casos. Los factores de utilidad (F1) y ansiedad (F2) tienen la menor relación y, como era esperable, la utilidad correlaciona intensamente con el agrado (F4) y con similar intensidad, pero inversamente con la falta de motivación (F5). La correlación mayor es entre ansiedad (F2) y confianza (F3), que aparecen como dimensiones prácticamente opuestas.

Evidencias de validez predictiva de los ítems de la EAE

Desde una perspectiva bivariada, los índices de validez de los ítems son las correlaciones de cada uno con el criterio. Estos valores, calculados con la fórmula de Spearman, se ofrecen en las tres últimas columnas de la tabla 3. Con un enfoque multivariado de árboles de regresión, ajustado a datos ordinales, introduciendo en el modelo los 25 ítems de la escala de Auzmendi (1992) como predictores, y, como criterio, el que en cada caso interesa, se obtienen los tres árboles CHAID que se ofrecen a continuación (similares a los obtenidos con CART).

Primero se explora la relación de las actitudes hacia la estadística con la autopercepción competencial en dicha materia (criterio 1º), como indicador de desempeño en su uso para la investigación (1=muy deficiente; 2=insuficiente; 3=suficiente; 4=buena; 5=excelente). En la figura 2 se observa (nodo 0) que los 539 sujetos que han respondido tienen en el criterio una media de 2.763 y una desviación típica de .916, esto es, como grupo, no llegan a considerar su manejo de la estadística como suficiente. Los ítems del EAE que mejor discriminan en esta variable son el 4 (F4 agrado), poniendo el punto de corte entre 1, nada divertido, y los demás, lo que da lugar a los nodos 1 y 2, con medias en la VD de 2.547 y 2.905, diferentes significativamente (p=.0); el ítem 2 (F2 ansiedad), que discrimina significativamente a los que tienen total desacuerdo o desacuerdo del resto, dando lugar a los nodos 3 y 4 en los que la diferencia de medias en la VD es significativa al 5% (p=.015); y el ítem 16, de desmotivación (F5), (en el que se discrimina a los que contestan 5, total acuerdo, de todos los demás, dando lugar a los nodos 5 y 6, con medias en la VD de 2.987, la más alta, y 2.592, cuya diferencia también es significativa al 5% con p= .031). Los 157 sujetos que piensan que tienen un menor manejo están en el nodo 4: están de acuerdo, muy de acuerdo o totalmente de acuerdo en que la estadística se les da mal, y no les divierte en absoluto.

El orden de los ítems del EAE según su importancia en la explicación de este criterio según CART es: 16, 4, 25, 2, 19, 1, 9, 14, 24, 21, 7, 12, 15, 6, 8, 17, 13, 20, 11, 18, 22, 10 y 23 y no aparecen como importantes el 3 ni el 5.

Figura 2
Árbol de regresión para la variable importancia de la actualización

También se explora la utilidad de los ítems del EAE para discriminar entre los estudiantes de magisterio que otorgan más o menos importancia al hecho de estar actualizados mediante la consulta de revistas, asistencia a congresos, variable tomada como criterio 2º (figura 3).

Figura 3
Árbol de regresión para la variable importancia de la actualización

En general, los estudiantes consultados dan bastante importancia a este aspecto (media= 4.139), que se incrementa para quienes estudiarían más estadística si pudieran, aunque no la consideran la asignatura más importante de la carrera (nodo 3). Los ítems que mejor discriminan en este caso son el 24 (con punto de corte entre 1 y 2) y el 21 (con punto de corte entre 2 y 3), ambos del factor de utilidad (F1) en el modelo propuesto. Los sujetos que menos importancia otorgan a la actualización se sitúan en el nodo 1.

En la tabla de importancia normalizada de CART aparecen 22 ítems, y no son importantes para este criterio el 10, 11 y 20.

Por último, se estudia el criterio 3º o utilidad de los ítems del EAE para discriminar entre sujetos y predecir la importancia que los estudiantes de magisterio consultados dan al hecho de enseñar cosas ciertas (figura 4). En general, todos los encuestados dan importancia al aspecto evaluado (media 4.126 sobre 5) que se incrementa en el grupo que está muy de acuerdo o totalmente de acuerdo con el hecho de que la estadística es importante (nodo 2). El ítem 1, del factor utilidad (F1), con punto de corte por encima de 3, da lugar a dos nodos con diferencia significativa en la VD (p.=.005) y, aunque no aparecen en el árbol, otros ítems importantes según CART son el 24, 14, 4 y 6, de los factores de utilidad y agrado (figura 5). Hay 20 ítems del EAE que no son relevantes con relación a este criterio.

Figura 4
Árbol de regresión para la variable “importancia de enseñar a discriminar entre lo cierto y lo falso”

Figura 5
Gráfico de importancia de los predictores

Discusión y conclusiones

Los resultados permiten concluir que los futuros maestros tienen hacia la estadística unas actitudes no demasiado positivas, considerándola poco útil y bastante poco agradable, aunque no experimentan ansiedad, manifiestan confianza y están medianamente motivados. Por otra parte, se obtiene que los participantes no valoran su manejo de la estadística como suficiente para realizar investigación, pero muestran interés por estar actualizados y poder discriminar entre lo cierto y lo falso.

Con relación al primer objetivo, la estructura factorial de la EAE propuesta por Auzmendi (1992), con 25 ítems y 5 factores, obtiene aceptables valores de ajuste, salvo en los índices comparativos. El modelo de medida mejora quitando el ítem 20, cambiando el 24 de dimensión y correlacionando algunos errores. Estas modificaciones se proponen atendiendo a un criterio empírico, pero considerando al mismo tiempo su significado teórico. La opción de eliminar el ítem 20 se ve avalada por los índices de validez y los árboles, en los que no aparece como relevante para ningún criterio, y los indicadores de fiabilidad y validez convergente empleados apoyan la consistencia del modelo de medida propuesto. Los otros modelos testados no resultan tan satisfactorios con este método y para este colectivo. El modelo de Darias (2000), que reduce las dimensiones a cuatro, obtiene un valor de ajuste global que podría considerarse como aceptable, pero a costa de modificaciones estructurales que se alejan teóricamente de la propuesta original y con un RMSEA alto. La propuesta de Tejero y Castro (2011) obtiene un ajuste global (chi./gl) por encima de 5 y un RMSEA alto, aunque el CFI y TLI son similares a los obtenidos en el modelo de Auzmendi (1992) y explica un 59% de la varianza. Respecto a la propuesta de Méndez y Macía (2007), el porcentaje de varianza explicada resulta del 74%, que mejora lo reportado por los autores, pero ni el cociente de chi./gl ni los índices de ajuste incremental logran valores aceptables.

En cuanto al segundo objetivo, centrado en el estudio de la utilidad de la EAE para la toma de decisiones formativas, se concluye que las actitudes hacia la estadística se relacionan con la autoevaluación del desempeño en esta materia, siendo los ítems más relevantes, según el análisis multivariado realizado, el 2, 4 y 16, por lo que en esta relación intervienen fundamentalmente elementos de ansiedad, agrado y motivación. En la relación entre las actitudes y el interés por el conocimiento crítico y reflexivo (Betancur et al., 2012) y por estar actualizado, para lo cual la estadística aporta el lenguaje necesario (Gaviria, 2015), los ítems más relevantes son el 1, 21 y 24, de la dimensión de utilidad. Del estudio se deriva que la escala aporta indicadores de la importancia que los futuros profesores otorgan a la ciencia y a la investigación en su profesión. En este punto, conviene destacar como un aporte metodológico novedoso el uso de los árboles, que añade, al enfoque métrico más frecuentemente utilizado, centrado en la dimensionalidad del constructo, información sobre la utilidad diagnóstica y predictiva de las medidas (Álvarez Benítez y Asensio-Muñoz, 2020; Blanco et al., 2017).

Como limitaciones, cabe señalar que, al no haberse realizado un muestreo probabilístico, los resultados no son generalizables a la población de estudiantes de magisterio. Además, aunque los índices de ajuste del modelo propuesto son aceptables y comparables a los conseguidos por Rodríguez Santero y Gil Robles (2019) para el SATS-36, no son óptimos y el modelo consigue explicar solo el 48% de variabilidad de los datos. También hay que destacar la elevada correlación entre ansiedad (F2) y confianza (F3) que, con un valor de -.9, puede ser un indicador de que se trata de dos dimensiones prácticamente opuestas, lo que explicaría que a Darias (2000) se le junten en un factor, que denomina seguridad. Por último, para el estudio de la validez predictiva se utilizan como criterios unos ítems simples de alta inferencia, pero para obtener evidencias más consistentes, convendría usar datos objetivos de rendimiento, junto con medidas más fiables del interés por la actualización y la evidencia científica, que exigiría posiblemente el uso de diseños longitudinales.

Sin embargo, el estudio tiene implicaciones interesantes, al aportar evidencias de una medida válida para evaluar la actitud de los futuros maestros hacia la estadística y, como prospectiva, para investigar sobre la relación entre actitud de los maestros y el interés por la ciencia de los niños, línea necesaria en un contexto en el que la formación STEM (Science, Technology, Engineering and Mathematics) es prioritaria. Y ello con el empleo de una metodología robusta idónea ante la falta de normalidad (Lloret-Segura et al., 2014) y con técnicas multivariadas adecuadas a datos ordinales.

Referencias

AERA, APA., & NCME (2014). Standards for Educational and Psychological Testing. APA.

Aiken, L. R. (1972). Research on attitudes toward mathematics. The Arithmetic Teacher, 19(3), 229-234. https://doi.org/10.5951/AT.19.3.0229

Álvarez Benítez, M.M., & Asensio-Muñoz, I.I. (2020). Evidencias de validez de una medida de competencias genéricas. Educación XX1, 23(2), 337-366. https://doi.org/10.5944/educXX1.25896

Arteaga, B., & Navarro, E. (2013) ¿Se plantea una necesidad de formación estadística en el Grado de Maestro? En J. M. Contreras, G. R. Cañadas, M. M. Gea y P. Arteaga (Eds.), Actas de las Jornadas Virtuales en Didáctica de la Estadística, Probabilidad y Combinatoria (pp. 649-650). Granada, Departamento de Didáctica de la Matemática de la Universidad de Granada.

Asensio-Muñoz, I., Ruiz de Miguel, C., & Castro Morera, M. (2015). Formación de maestros e investigación educativa: la percepción de los estudiantes de grado en la Universidad Complutense de Madrid. Tendencias Pedagógicas, 26, 217-236.

Auzmendi, E. (1992). Las actitudes hacia la matemática-estadística en las enseñanzas medias y universitarias. Mensajero.

Batanero, M. (2013). Sentido estadístico. Componentes y desarrollo. En J. M. Contreras, G. R. Cañadas, M. M. Gea y P. Arteaga (Eds.), Actas de las Jornadas Virtuales en Didáctica de la Estadística, Probabilidad y Combinatoria (pp. 55-61.). Granada, Departamento de Didáctica de la Matemática de la Universidad de Granada.

Bauman, Z. (2013). Modernidad líquida. John Wiley & Sons.

Bending, A.W., & Hughes, J.B. (1954). Student attitude and achievement in a course in introductory statistics. Journal of Educational Psychology, 45, 268-276. https://doi.org/10.1037/h0057391

Betancur, H. M. R., Villamizar, R. M., & Prada, Á. R. (2012). Índice de actitud hacia la investigación en estudiantes del nivel de pregrado. Entramado, 8(2), 216-229.

Blanco, Á. (2004). Enseñar y aprender Estadística en las titulaciones universitarias de Ciencias Sociales: apuntes sobre el problema desde una perspectiva pedagógica en J.C. Torre, & E. Gil (Eds.), Hacia una enseñanza universitaria centrada en el aprendizaje (pp. 143-190). Servicio de publicaciones de la Universidad Pontificia Comillas.

Blanco, Á. (2008). Una revisión crítica de la investigación sobre las actitudes de los estudiantes universitarios hacia la estadística. Revista Complutense de Educación, 19(2), 311-330. https://revistas.ucm.es/index.php/RCED/article/view/RCED0808220311A

Blanco, Á., Asensio, I., Carpintero, E., Ruiz de Miguel, C., & Expósito, E. (2017). Applications of hierarchical segmentation in measurement and evaluation of educational programs. Examples with a financial education program. Educación XX1, 20(2), 235-257. https://doi.org/10.5944/educXX1.19039

Breiman, L., Friedman, J.H., Olshen R.A., & Stone, C.J. (1984). Classification and regression trees. Chapman & Hall/CRC.

Caballero, A., Blanco, L. J., & Guerrero, E. (2007). Las actitudes y emociones ante las Matemáticas de los estudiantes para Maestros de la Facultad de Educación de la Universidad de Extremadura. Investigación en Educación Matemática. Comunicaciones de los grupos de investigación. XI Simposio de la SEIEM (41-52)

Callahan, W. J. (1971). Adolescent attitudes toward Mathematics. Mathematics Teacher, 64, 751-755.

Camilli-Trujillo, C., Arroyo-Resino, D., Asensio –Muñoz, I., & Mateos- Gordo, P. (2020). Hacia la educación basada en la evidencia: un método y un tema. Revista Electrónica en Educación y Pedagogía, 4(6), 69-85. https://doi.org/10.15658/10.15658/rev.electron.educ.pedagog20.05040606

Carmona, J. (2002). La teoría de facetas y el escalamiento multidimensional en la elaboración y validación de cuestionarios de actitudes. Una aplicación al dominio de las actitudes hacia la estadística. Tesis doctoral. Universidad de Sevilla.

Carmona, J. (2004). Una Revisión de las evidencias de fiabilidad y validez de los cuestionarios de actitudes y ansiedad hacia la estadística. Statistics Education Research Journal, 3(1), 5-28.

Cimpoero, S., & Roman, M. (2018). Statistical Literacy and Attitudes Towards Statistics of Romanian Undergraduate Students. MPRA. No.90452. https://mpra.ub.uni-muenchen.de/90452/

Cordero, Z. R. V. (2009). La investigación aplicada: una forma de conocer las realidades con evidencia científica. Revista educación, 33(1), 155-165. https://doi.org/10.15517/revedu.v33i1.538

Darias, J. (2000), Escala de actitudes hacia la estadística Psicothema, 12(2),175-178

Dutton, W. (1954). Measuring attitudes toward arithmetic. The Elementary School Journal, 55, 24-31. https://doi.org/10.1086/458640

Dutton, W. H., & Blum, M. P. (1968). The measurement of attitudes toward arithmetic with a Likert-type test. Elementary School Journal, 68, 259-264.https://doi.org/10.1086/460443

Estrada A., Bazán J., & Aparicio, A. (2010). Un estudio comparativo de las actitudes hacia la estadística en profesores españoles y peruanos. Revista Iberoamericana de Educación Matemática, 24, 45-56.

Estrada, A, Batanero, C., & Fortuny, J. (2004). Un Estudio Comparado de las Actitudes hacia la Estadística en Profesores en Formación y Ejercicio. Enseñanza de las Ciencias, 22(2), 263-274. https://doi.org/10.5565/rev/ensciencias.3888

Estrada, A. (2002). Actitudes hacia la estadística e Instrumentos de evaluación. Jornadas Europeas de Estadísitica. Palma de Mallorca

Estrada, A. (2009). Las actitudes hacia la estadística en la formación de los profesores. Milenio.

Evans, B. (2007). Student attitudes, conceptions and achievement in introductory undergraduate college statistics. The Mathematics Educator, 17(2), 24-30.

Fernández-Cézar, R., & Aguirre Pérez, C. (2010). Actitudes iniciales hacia las matemáticas de los alumnos de grado de magisterio de Educación Primaria: Estudio de una situación en el EEES. Unión: revista iberoamericana de educación matemática, 23, 107-116

Finney, S. J., & Schraw, G. (2003). Self-efficacy beliefs in college statistics courses. Contemporary Educational Psychology, 28(2), 161-186. https://doi.org/10.1016/S0361-476X(02)00015-2

Gal, I., Ginsburg, L., & Schau, C. (1997). Monitoring attitudes in learning statistics. towards an Assesment Framework en I. Gal, y J. Garfield (eds.), The Assesment Challenge in Statistics Education. IOS Press and International Statistical Institute.

Gaviria, J.L. (2015). El papel de la investigación académica sobre la mejora de las políticas y de las prácticas educativas. Participación Educativa, 5, 42-49.

Gómez, A., & Fernández, R. (2018). Los maestros y sus actitudes hacia las Matemáticas: un estudio sobre Educación Infantil y Primaria en España. UNIÓN. Revista Iberoamericana de Educación Matemática, 52, 186-200.

Kahneman, D. (2012). Pensar rápido, pensar despacio. Random House

Kass, G.V. (1980). An exploratory technique for investigating large quantities of categorical data. Applied Statistics, 29(2), 119-127. https://doi.org/10.2307/2986296

León, E., & Vaiman, M. (2013). Actitudes, experiencia previa y nivel de logro en Estadística en la carrera de Psicología en G. Contreras, M. Cañadas y P. Arteaga (eds.), Actas de las Jornadas Virtuales en Didáctica de la Estadística, Probabilidad y Combinatoria.

Li, C. H. (2014). The performance of MLR, USLMV, and WLSMV estimation in structural regression models with ordinal variables. Michigan State University. https://tinyurl.com/3fypvhos

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada. Anales de Psicología, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361

Lodico, M. G., Spaulding, D., & Voegtlee, K. H. (2004, April). Promising practices in the teaching of educational research. Paper presented at the American Educational Research Association Conference, San Diego, CA.

López, W. O. F., & Molina, S. A. O. (2016). Actitudes hacia la estadística en la formación del profesorado para contextos multiculturales. Revista Universitaria del Caribe, 17(2), 27-37. https://doi.org/10.5377/ruc.v17i2.3235

Martínez, G., & Soto, W. H. (2019). Pedagogía del dato: perspectiva desde la enseñanza de la estadística en la sociedad del dato. Análisis, 51(94), 141-158. https://doi.org/10.15332/10.15332/s0120-8454.2019.0094.07

Maz-Machado, A., León-Mantero, C., & Casas, J.C. (2014) Actitudes hacia las matemáticas en estudiantes del grado de primaria. Investigación en Educación Matemática XVIII (p. 597). SEIEM

Meller P., & Rappaprot D. (2004). Comparaciones internacionales de la dotación de profesionales y la posición relativa chilena en Brunner y Meller (comps.), Oferta y demanda de técnicos en Chile. El rol de la información pública (pp. 211-249). Editores Ril.

Méndez, D., & Macía, F. (2007), Análisis factorial confirmatorio de la escala de actitudes hacia la estadística. Cuadernos de Neuropsicología, 3(1), 174–371.

Mondéjar, J., & Vargas, M. (2010), Determinant factors of attitude towards quantitative subjects: differences between sexes. Teaching and teacher education, 26(3), 688-693. https://doi.org/10.1016/j.tate.2009.10.004

Muñoz, I. (2002). Actitudes hacia la estadística y su relación con otras variables en alumnos universitarios del área de las Ciencias Sociales. Tesis doctoral. Universidad Pontificia Comillas de Madrid

Naya, M.C., Soneira, C., Mato, M.D., & Torre, E. de la (2014). Cuestionario sobre actitudes hacia las matemáticas en futuros maestros de Educación Primaria. Revista de Estudios e Investigación en Psicología y Educación, 1(2), 141-149. http://dx.doi.org/10.17979/reipe.2014.1.2.11

Nolan, M. M., Beran, T., & Hecker, K. G. (2012). Surveys assessing students’ attitudes toward statistics: A systematic review of validity and reliability. Statistics Education Research Journal, 11(2), 103-123. https://doi.org/10.52041/serj.v11i2.333

Ordóñez, X. G., Romero, S. J., & Ruiz de Miguel, C. (2019). Actitudes hacia la Estadística en Alumnos de Educación: análisis de perfiles. Revista de educación, 385, 173-200. https://doi.org/10.4438/1988-592X-RE-2019-385-421

Papanastasiou, E. C., & Schumacker, R. (2014). Rasch rating scale analysis of the Attitudes Toward Research Scale. Journal of applied measurement, 15(2), 189-199.

Roberts, D. & Saxe, J. (1982). Validity of a Statistics Attitude Survey: A follow-up study. Educational and Psychologycal Measurement, 42, 907-912. https://doi.org/10.1177/001316448204200326

Roberts, D.M., & Bilderback, E.W. (1980). Realibility and Validity of a "Statistics Attitude Survey". Educational and Psychological Measurement, 4, 235-238.

Rodríguez Feijoo, N. (2011). Actitudes de los estudiantes hacia la estadística. Interdisciplinaria, 28(2), 199-205.

Rodríguez-Santero, J., & Gil-Flores, J. (2019). Actitudes hacia la estadística en estudiantes de Ciencias de la Educación. Propiedades psicométricas de la versión española del Survey of Attitudes Toward Statistics (SATS-36). RELIEVE, 25(1), art. 3. http://doi.org/10.7203/relieve.25.1.12676

Ruiz de Miguel, C. (2015). Actitudes hacia la estadística de los alumnos del Grado en Pedagogía, Educación Social y Maestro de Educación Primaria en la UCM. Educación XX1, 18(2), 351-374. http://doi.org/10.5944/educXX1.12158

Sánchez, J., Segovia, I., & Miñán, A. (2011). Exploración de la ansiedad hacia las matemáticas en los futuros maestros de Educación Primaria. Revista de Curriculum y Formación del Profesorado, 15(3), 297-312.

Schau C, Stevens, J, Daufhine T., & Del Vecchio, A. (1995). The development and validation of the survey of attitudes towards statistics. Educational and Psychological Measuremen, 55(5), 868–875. https://doi.org/10.1177/0013164495055005022

Schau, C. (2003). Survey of Attitudes Toward Statistics (SATS-36). http://evaluationandstatistics.com/

Suydam, M.N. (1984). Research report: Attitudes toward mathematics. Aritmetic Teacher, 32 (3) 12. https://doi.org/10.5951/AT.32.3.0012

Tejero-González, C. M., & Castro-Morera, M. (2011). Validación de la escala de actitudes hacia la estadística en estudiantes españoles de ciencias de la actividad física y del deporte. Revista Colombiana de Estadística, 34(1), 1-14.

Tourón, J., López-González, E., Lizasoain, L., García San Pedro, M. J., & Navarro, E. (2018). Alumnado español de alto y bajo rendimiento en ciencias en PISA 2015: análisis del impacto de algunas variables de contexto. Revista de Educación, 380, 156-184. http://doi.org/10.4438/1988-592X-RE-2017-380-376

Valle, A., Regueiro, B., Piñeiro, I., Sánchez, B., Freire, C., & Ferradás, M. (2016). Actitudes hacia las matemáticas en estudiantes de Educación Primaria: Diferencias en función del curso y del género. European Journal of Investigation in Health, 6(2), 119-132. http://doi.org/10.30552/ejihpe.v6i2.161

Vanhoof, S., Kuppens, S., Castro, A. E., Vershaffel, L., & Onghena, P. (2011). Measuring statistics attitudes: structure of the survey of attitudes towards statistics (SATS-36). Statistics Education Research Journal, 10(1), 35-51. https://doi.org/10.52041/serj.v10i1.354

Vásquez, C., Alvarado, H., & Ruz, F. (2019). Actitudes de futuras maestras de educación infantil hacia la estadística, la probabilidad y su enseñanza. Educación Matemática, 31(3), 177-202. http://doi.org/10.24844/EM3103.06

Velandrino, A.P., & Parodi, L.H. (1999). La escala de actitudes hacia la estadística (EAE): Desarrollo y propiedades psicométricas. Actas de la Conferencia Internacional Experiencias y Perspectivas en la enseñanza de la Estadística, pp. 219-220. Florianópolis, Brasil, 20-22 de septiembre de 1999.

Waters, L. K., Martelli, T. A., Zakrajsek, T., & Popovich, P. M. (1988). Attitudes toward statistics: An evaluation of multiple measures. Educational and Psychological Measurement, 48(2), 513-516. http://doi.org/10.1177/0013164488482026

Wise, S. (1985). The development and validation of a scale measuring attitudes toward statistics. Educational and Psychological Measurement, 45, 401-405. https://doi.org/10.1177/001316448504500226

Xia, Y. (2016). Investigating the chi-square-based model-fit indexes for WLSMV and ULSMV estimators.

Zapata, L., & Rocha, P. (2001). Actitudes de profesores hacia la estadística y su enseñanza. XIII CIAEM-IACME, Recife, Brasil

Notas de autor

enriquen@ucm.es

Enlace alternativo

https://revistaseug.ugr.es/index.php/RELIEVE/article/view/18398 (html)