Uso de la comprensión lectora para la construcción de un modelo predictivo del éxito de estudiantes de 4º de Primaria cuando resuelven problemas verbales en un sistema inteligente

  1. Maria T. Sanz 1
  2. José Antonio González-Calero 2
  3. David Arnau 1
  4. Miguel Arevalillo-Herráez 1
  1. 1 Universitat de València
    info

    Universitat de València

    Valencia, España

    ROR https://ror.org/043nxc105

  2. 2 Universidad de Castilla-La Mancha
    info

    Universidad de Castilla-La Mancha

    Ciudad Real, España

    ROR https://ror.org/05r78ng12

Revista:
Revista de educación

ISSN: 0034-8082

Año de publicación: 2019

Título del ejemplar: Evaluación de la Comprensión Lectora

Número: 384

Páginas: 41-69

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de educación

Resumen

Presentamos la construcción de un modelo matemático dinámico para predecir el desempeño individual de alumnos de 4º de Educación Primaria (9 y 10 años) en la resolución aritmética de problemas verbales. En la primera parte del artículo se analizan las variables que se van a incluir en el modelo, las relaciones existentes entre ellas y el efecto sobre la variable objetivo. Dentro de las variables incluidas en el modelo están las que describen las características del sujeto: a) el desempeño previo del estudiante en la resolución de problemas, b) el nivel de comprensión lectora y c) la capacidad para resolver problemas de razonamiento a través de estímulos visuales tanto figurativos como abstractos (la llamada inteligencia fluida). El modelo también incorpora una variable de tarea, la cual describe la dificultad de cada problema tomando como criterio de la complejidad la categorización semántica del enunciado los problemas. En el estudio participaron 64 alumnos de 4º de Educación Primaria. Para cada sujeto, las variables se recogieron mediante: un test de comprensión lectora PIRLS, el subtest de matrices del test de Kaufman, y un sistema tutorial inteligente donde resolvieron 26 problemas verbales. Todas las variables muestran relación significativa grande con la variable objetivo, excepto la inteligencia fluida. El modelo presentado revela que la compresión lectora posee una relevancia significativa a la hora de predecir el desempeño en problemas verbales. A su vez, el modelo ofrece un comportamiento superior a alternativas similares presentadas en la literatura.

€ Ver financiación

Información de financiación

Esta investigación ha contado con el apoyo de la Conselleria d’Educació, Investigació, Cultura i Esport a través del proyecto GVPROMETEO2016-143, del Ministerio de Educación a través de los proyectos EDU2017-84377-R y TIN2014-59641-C2-1-P

Financiadores

  • Ministerio de Educación
    • EDU2017-84377-R
    • TIN2014-59641-C2-1-P
  • Conselleria d’Educació, Investigació, Cultura i Esport Spain
    • GVPROMETEO2016-143

Referencias bibliográficas

  • Arnau, D., Arevalillo-Herráez, M., & González-Calero, J. A. (2014). Emulating Human Supervision in an Intelligent Tutoring System for Arithmetical Problem Solving. IEEE Transactions on Learning Technologies, 7(2), 155-164. doi:10.1109/TLT.2014.2307306.
  • Bañeres, D., & Serra, M. (2018). Predictive analytics: Another vision of the learning process. In S. Caballé & J. Conesa (Eds.), Software Data Engineering for Network eLearning Environments: Analytics and Awareness Learning Services (pp. 1–25). Cham: Springer International Publishing. doi:10.1007/978-3- 319-68318-8_1
  • Bogolyubov, A. N. (1972). A Combined Analytic and Synthetic Method of Solving Arithmetic Problems in Elementary School. In J. Kilpatrick & I. Wirszup (Eds.), Soviet Studies in the Psychology of Learning and Teaching Mathematics (Vol. 6, pp. 61–94). Stanford, CA: School Mathematics Study Group Stanford University and Survey of Recent East Europe Mathematical Literature.
  • Boonen, A. J. H., van Wesel, F., Jolles, J., & van der Schoot, M. (2014). The role of visual representation type, spatial ability, and reading comprehension in word problem solving: An item-level analysis in elementary school children. International Journal of Educational Research, 68(4), 15-26. doi: 10.1016/j.ijer.2014.08.001
  • Briars, D. J., & Larkin, J. H. (1984). An Integrated Model of Skill in Solving Elementary Word Problems. Cognition and Instruction, 1(3), 245-296.
  • Carpenter, T. P., & Moser, J. M. (1984). The Acquisition of Addition and Subtraction Concepts in Grades One through Three. Journal for Research in Mathematics Education, 15(3), 179-202.
  • Castro, E., Castro, E., Rico, L., Gutiérrez, J., Tortosa, A., Segovia, I., ... Fernández, F. (1997). Problemas aritméticos compuestos de dos relaciones. In L. Rico & M. Sierra (Eds.), Actas del Primer Simposio de la Sociedad Española de Investigación en Educación Matemática (pp. 63–76). Zamora: SEIEM.
  • Cattell, R. B. (1971). Abilities: Their structure, growth, and action. Boston: Houghton Mifflin.
  • Cerdán, F. (2008). Estudios sobre la Familia de Problemas Aritmético-Algebraicos. València: Servei de Publicacions de la Universitat de València.
  • Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. Lawrence Erlabaum Associates.
  • Hansen, L. B., Macizo, P., Duñabeitia, J. A., Saldaña, D., Carreiras, M., Fuentes, L. J., & Bajo, M. T. (2016). Emergent Bilingualism and Working Memory Development in School Aged Children. Language Learning, 66(S2), 51–75. doi:10.1111/lang.12170
  • Hegarty M., Mayer R. E., & Green C. E. (1992). Comprehension of arithmetic word problems: evidence from students’ eye fixations. Journal Education of Psychologist, 84, 76–84.
  • Holling, H., Bertling, J.P., & Zeuch, N. (2009). Automatic Item Generation of Probability Word Problems. Studies in Educational Evaluation, 35(3), 71-76.
  • Ivars, P., & Fernández, C. (2016). Problemas de estructura multiplicativa: Evolución de niveles de éxito y estrategias en estudiantes de 6 a 12 años. Educación Matemática, 28(1), 9-38.
  • Kalmykova, Z. I. (1975). Processes of analysis and synthesis in the solution of arithmetic problems. In J. Kilpatrick, I. Wirszup, E. G. Begle, J. W. Wilson, & M. G. Kantowski (Eds.), Soviet Studies in the Psychology of Learning and Teaching Mathematics (Vol. 11, pp. 1–171). Stanford, CA: School Mathematics Study Group Stanford University and Survey of Recent East Europe Mathematical Literature.
  • Kaufman, A., & Kaufman, N. (2000) K-Bit Test Breve de Inteligencia de Kaufman. (Agustín Cordero, Isabel Calonge, trad.). España: TEA Ediciones. (Obra original publicada en 1994).
  • Keyes, K. M., Platt, J., Kaufman, A. S., & McLaughlin, K. A. (2017). Association of Fluid Intelligence and Psychiatric Disorders in a Population-Representative Sample of US Adolescents. JAMA Psychiatry, 74(2), 179. doi:10.1001/jamapsychiatry.2016.3723
  • Koedinger, K. R., D’Mello, S., McLaughlin, E. A., Pardos, Z. A., & Rosé, C. P. (2015). Data mining and education. Wiley Interdisciplinary Reviews: Cognitive Science, 6(4), 333–353. doi:10.1002/wcs.1350
  • Korpershoek, H., Kuyper, H., & Van der Werf, G. (2015). The relation between students’ math and reading ability and their mathematics, physics, and chemistry examination grades in secondary education. International Journal of Science and Mathematics Education, 13, 1013-1037.
  • Leviton, A., Dammann, O., Allred, E. N., Joseph, R. M., Fichorova, R. N., O’Shea, T. M., & Kuban, K. C. K. (2018). Neonatal systemic inflammation and the risk of low scores on measures of reading and mathematics achievement at age 10 years among children born extremely preterm. International Journal of Developmental Neuroscience, 66, 45–53. doi:10.1016/J.IJDEVNEU.2018.01.001
  • MacLellan, C., Liu, R., & Koedinger, K. (2015) Accounting for Slipping and Other False Negatives in Logistic Models of Student Learning. In. 8th International Conference on Educational Data Mining (EDM).Madrid, Spain: International Educational Data Mining Society.
  • Ministerio de Educación, Cultura y Deporte (2013). PIRLS - TIMSS 2011.Estudio Internacional de progreso en comprensión lectora, matemáticas y ciencias. IEA. INFORME ESPAÑOL: Ítems liberados. Madrid, España: Instituto Nacional de Evaluación educativa. Recuperado de http://evaluacion.educalab.es/timsspirls/tests/29
  • Mullis, I. V. S., & Martin, M. O. (Eds.). (2015). PIRLS 2016 Assessment Framework (2nd ed.). Retrieved from Boston College, TIMSS & PIRLS International Study Center website: http://timssandpirls.bc.edu/pirls2016/framework.html
  • Nesher, P. (1988). Multiplicative school word problems: Theoretical approaches and empirical findings. In J. Hiebert and M. Behr (Eds.), Number concepts and operations in the middle grades (pp. 19-40), Reston, VA: NCTM.
  • Nesher, P., & Hershkovitz, S. (1994). The Role of Schemes in Two-Step Problems: Analysis and Research Findings. Educational Studies in Mathematics, 26(1), 1-23.
  • OECD (2017). PISA 2015 Results (Volume IV): Students’ Financial Literacy. Paris, France: OECD Publishing. doi:10.1787/9789264270282-en
  • Pape, S. J. (2004). Middle School Children’s Problem-Solving Behavior: A Cognitive Analysis from a Reading Comprehension Perspective. Journal for Research in Mathematics Education, 35(3), 187-219. doi:10.2307/30034912
  • Primi, R., Ferrão, M. E., & Almeida, L. S. (2010). Fluid intelligence as a predictor of learning: A longitudinal multilevel approach applied to math. Learning and Individual Differences, 20(5), 446–451. doi:10.1016/J.LINDIF.2010.05.001
  • Puig, L., & Cerdán, F. (1988). Problemas aritméticos escolares. Madrid: Síntesis.
  • Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Copenhagen: Pædagogiske Institut.
  • Riley, M. S., Greeno, J. G., & Heller, J. L. (1983). Development of children’s problem-solving ability in arithmetic. En H. P. Ginsburg (Ed.), The development of mathematical thinking (pp. 153–196). New York: Academic Press.
  • Schneider, W. J., & McGrew, K. S. (2012). The Cattell-Horn-Carroll Model of Intelligence. In D. P. Flanagan, & P. L. Harrison (Ed.), Contemporary Intellectual Assessment: Theories, Tests and Issues (3rd ed., pp. 553-581). New York: The Guilford Press.
  • Solaz-Portolés, J. J., & Sanjosé, V. (2006). ¿Podemos predecir el rendimiento de nuestros alumnos en la resolución de problemas?. Revista de Educación, 339, 693-710
  • Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.
  • Taub, G. E., Keith, T. Z., Floyd, R. G., & Mcgrew, K. S. (2008). Effects of general and broad cognitive abilities on mathematics achievement. School Psychology Quarterly, 23(2), 187–198. doi:10.1037/1045-3830.23.2.187
  • Vergnaud, G. (1982). Cognitive and Developmental Psychology and Research in Mathematics Education. For the Learning of Mathematics, 3(2), 31-41.
  • Vergnaud, G. (1991). El niño, las matemáticas y la realidad: problemas de la enseñanza de las matemáticas en la escuela primaria. México, D.F., México: Trillas.
  • Vilenius-Tuohimaa, P. M., Aunola, K., & Nurmi, J.E. (2008) The Association between Mathematical Word Problems and Reading Comprehension. Educational Psychology, 28(4), pp. 409-426.
  • Wilson, M., & De Boeck, P. (2004). Descriptive and explanatory item response models. In P. De Boeck and M. Wilson (Eds.) Explanatory item response models: A generalized linear and nonlinear approach(pp. 43-74. New York: Springer-Verlag.
Fuente de los datos: Dialnet