Rafael Escudero Trujillo Humberto Llins Virgilio Obeso Carlos Rojas

zona prxima Revista del Instituto de Estudios Superiores en Educacin Universidad del Norte n 6, diciembre, 2005
ISSN 1657-2416

prxima

Inuencia de la tecnologa en el aprendizaje de clculo diferencial y estadstica descriptiva

zona

Mondrian, P. Evolucin, 1911, p. 29

RAFAEL ESCUDERO TRUJILLO

UNIVERSIDAD DEL NORTE, BARRANQUILLA (COLOMBIA)

(rescude@uninorte.educ.o)
HUMBERTO LLINS
UNIVERSIDAD DEL NORTE, BARRANQUILLA (COLOMBIA)

(hllinas@uninorte.educ.o)
VIRGILIO OBESO
UNIVERSIDAD DEL NORTE, BARRANQUILLA (COLOMBIA)

(vobeso@uninorte.educ.o)
CARLOS ROJAS
UNIVERSIDAD DEL NORTE, BARRANQUILLA (COLOMBIA)

(crojas@uninorte.educ.o)

palabras clave: Diseo cuasiexperimental, grupo de control, grupo experimental, pensamiento matemtico, mediacin cognitiva.

ABSTRACT

En este artculo se presentan los resultados de la investigacin La inuencia de la tecnologa en el aprendizaje de las asignaturas Clculo Diferencial y Estadstica Descriptiva en estudiantes del ciclo bsico de Ingeniera. Para ello se utiliz un diseo cuasiexperimental con grupos de control y experimental con aplicacin slo de un postest. Se utilizaron los programas Derive y Statgraphics en Clculo Diferencial y Estadstica Descriptiva, respectivamente. Se encontr que en los grupos experimentales en los cuales se ense a los estudiantes con el Derive y el Statgraphics (N = 25 y N =25) tuvieron un ligero mejor desempeo que los estudiantes de los grupos de control (N = 22 y N = 16) que realizaron el curso sin el uso de estos programas. Estadsticamente no se hall una diferencia signicativa.

RESUMEN

This article shows the results of the research: The inuence of technology on learning of Differential Calculus and Descriptive Statistics in students of Engineering Basic Cycle. In order to achieve this aim, a quasi experimental design with control and experimental group and only one post test application was used. The Derive program was used in Differential Calculus, and the Statgraphics in Descriptive Statistics. It was found that experimental groups, in which students were taught with Derive and Statgraphics (N= 25 and N=25), had a slight better performance than that of students in control groups (N=22 and N=16) who were taught without using these programs, but there was not a statistically signicant difference. Quasi experimental design, control group, experimental group, mathematical thought, cognitive mediation.
key words:

F E C H A D E R E C E P C I N : SEPTIEMBRE DE F E C H A D E ACEPTAC I N : DICIEMBRE DE

2005 2005

Rafael Escudero Trujillo, Humberto Llins, Virgilio Obeso, Carlos Rojas

Introduccin

no de los mayores problemas que tiene que confrontar actualmente el educador matemtico son las formas convencionales de hacer matemticas con aquellas que buscan el desarrollo de los procesos matemticos y de pensamiento matemtico utilizando mediadores cognitivos (Fiallo, 2004). Las investigaciones recientes (Camargo, 2003), (Lupiaez y Moreno, 2001), (Barrera y Santos, 2000) y (Schoenfeld, 1994) dan cuenta, en su mayora, de las bondades de los recursos computacionales como mediadores valiosos para que los maestros, con sus alumnos, generen clases ms dinmicas y puedan aprovechar los diferentes sistemas de representacin que se pueden obtener con los programas computacionales. Sin embargo, la mayora de estos estudios se quedan cortos en establecer las diferencias signicativas desde el punto de vista estadstico, entre la utilizacin de un programa computacional para el aprendizaje de las matemticas y el aprendizaje de las matemticas sin el uso de ese programa computacional. Como un aporte al ya buen nmero de estudios cualitativos sobre el uso de nuevas tecnologas en los procesos de enseanza aprendizaje de las matemticas, se expone en lo que sigue un diseo cuasiexperimental que contribuya a enriquecer el marco
96

conceptual y metodolgico de la inuencia de la tecnologa en el aprendizaje de las matemticas, especcamente, del Clculo Diferencial y de la Estadstica Descriptiva. Revisin de literatura A mediados del siglo pasado surgieron, en el panorama internacional, los estudios iniciales que proponan discutir resultados de la investigacin educativa en el campo de las matemticas (Rojano y Moreno, 2002). Las primeras investigaciones estuvieron orientadas hacia los llamados errores de comprensin, lo que determin disear estrategias que permitieran superar las deciencias atribuidas a los mtodos de enseanza. Desde esta perspectiva, el enfoque tena como hiptesis bsica una concepcin del conocimiento matemtico segn la cual el signicado de un enunciado es nico y en consecuencia la comprensin est en funcin de la transmisin (Moreno, 2000). Sin embargo, se sabe que los estudiantes desarrollan formas de conocimientos que no coinciden necesariamente con el conocimiento escolar ocial, lo cual est en contraposicin con la supuesta empata transmisin-recepcin del conocimiento. Las concepciones iniciales sobre el conocimiento, basadas en el modelo de transmisinrecepcin mecnica, se vieron
Z O N A P R X I M A N 6 (2005) PGS 94-105

inuencia de la tecnologa en el aprendizaje de clculo diferencial y estadstica descriptiva

fuertemente cuestionadas por el constructivismo epistemolgico y sus versiones educativas. Debido al auge de la tecnologa con el advenimiento de toda su instrumentacin: videos, televisin, televisin por cable, Internet, entre otros, los alumnos reciben ms informacin de los medios visuales que de los convencionales que se utilizan en las instituciones escolares (Helms y Helms, 1992). Por otro lado, la presencia de los instrumentos computacionales en la Educacin Matemtica, ponen en evidencia las investigaciones de Wertsch (1993) que rearman la tesis: Toda accin cognitiva es una accin mediada por instrumentos materiales o simblicos. Entonces, desde esta percepcin se considera que para lograr un aprendizaje signicativo de las matemticas, los estudiantes deben interactuar con los distintos sistemas de representacin de los objetos matemticos y no solo desde la ptica del experto matemtico que si bien es cierto representa a la comunidad cientca de matemticos, no quiere decir que as van a aprender todos sus alumnos. El uso de la tecnologa en la Educacin Matemtica, como apoyo o mediacin cognitiva para procurar un desarrollo de los procesos y pensamiento matemtico, se constituye hoy en una valiosa alternativa para asociar los procesos de enseanza aprendizaje de las atemticas con el rigor de la asignatura, pero tambin con procesos
Z O N A P R X I M A N 6 (2005) PGS 94-105
97

culturales y sociales de los cuales esta materia no est y no ha estado aislada. El uso de los recursos tecnolgicos promueve a que se conciba la matemtica como una actividad que socialmente se debe compartir sin descuidar su caracterstica de ciencia formal o exacta para lograr as un aprendizaje signicativo (Novak y Govin, 1988). En el marco de considerar el uso de nuevas tecnologas como herramientas cognitivas valiosas para los procesos de enseanza aprendizaje de las matemticas se han desarrollado en los ltimos aos investigaciones que recogen esta tendencia pero muy recargadas a los diseos cualitativos. Como una manera de contribuir al marco conceptual y metodolgico en este tipo de estudios, se presenta el posterior trabajo que tuvo como objetivo vericar la siguiente hiptesis: Hiptesis: Los estudiantes que recibieron los cursos de Clculo Diferencial y Estadstica Descriptiva con el uso de los programas Derive y Statgraphics, respectivamente, tenan mejor desempeo acadmico que los alumnos que recibieron los mismos cursos sin el uso de los programas Derive y Statgraphics. Metodologa Sujetos La muestra para este estudio estuvo conformada por dos cursos de Clculo Diferencial de 33 y 28 estudiantes, respectivamente, del ciclo bsico

Rafael Escudero Trujillo, Humberto Llins, Virgilio Obeso, Carlos Rojas

de Ingeniera de la Universidad del Norte, y por dos cursos de Estadstica Descriptiva de 36 y 22 alumnos de los programas de Administracin de Empresas y Economa. Los grupos estuvieron matriculados en el primer semestre del 2004. Los cursos eran de caracterstica mixta y asignados por la Universidad aleatoriamente a los profesores que participaron en la investigacin. Instrumentos Tanto en Clculo Diferencial como en Estadstica Descriptiva, se utiliz un postest para determinar la inuencia de la tecnologa en el aprendizaje de estas asignaturas. El instrumento que se utiliz en Estadstica fue un test de 10 tems con una valoracin de 0,5 para cada respuesta correcta. El test fue validado por el grupo de profesores del Departamento de Matemticas que tenan a su cargo la asignatura de Estadstica Descriptiva. El programa computacional que

se utiliz en el Laboratorio de Matemticas para las prcticas con el grupo experimental fue el Statgraphics. En Clculo Diferencial se construy un test de 15 tems con valoracin mnima de 0 y valoracin mxima de 5. El test inicial constaba de 20 preguntas las cuales se sometieron a una prueba piloto y de validacin por los profesores del Departamento de Matemticas que trabajaron en la asignatura de Clculo Diferencial. Finalmente, el test que se aplic qued de 15 preguntas. En Clculo Diferencial se utiliz el programa computacional Derive y la Calculadora de Grcas Voyage TI- 200.

Diseo El diseo utilizado para este estudio en ambas asignaturas fue: Diseo grupo experimental, grupo control y mediciones slo despus (Briones, 1998) cuyo esquema se presenta a continuacin:

Tabla 1: Diseo grupo experimental - control y mediciones slo despus

Grupo Experimental Control Asignacin Al azar Al azar Tratamiento X No Postest O1 O2 Comparacin Promedio Postest Promedio Postest

98

Z O N A P R X I M A N 6 (2005) PGS 94-105

inuencia de la tecnologa en el aprendizaje de clculo diferencial y estadstica descriptiva

Procedimiento A los grupos experimentales tanto de Clculo como de Estadstica se les aplic el tratamiento que consista en usar el software Statgraphics para desarrollar los temas de Estadstica Descriptiva y el uso del software Derive o la calculadora de grcas Voyage TI-200, para el desarrollo de los temas del Clculo Diferencial. Mientras que a los cursos seleccionados como de control se les impartieron las clases sin utilizar los programas computacionales arriba mencionados. En Estadstica, como en Clculo, el grupo experimental lo atendi un profesor distinto del que se encarg del grupo de control. Los estudiantes de Estadstica del grupo experimental asistieron dos veces al Laboratorio de Matemticas (es decir, dos secciones de una hora cada una bajo la supervisin del profesor encargado de la asignatura). En cada una de estas clases el profesor solicit abrir los archivos de la base de datos. Estos se analizaban con ayuda del Statgraphics y de unas guas de trabajo que los alumnos deban tener previamente. El papel del docente en la clase experimental era el de orientar y guiar el anlisis. Aparte de las dos horas de trabajo en el Laboratorio, los estudiantes tuvieron que visitar el mismo, sin la orientacin del profesor, con el n de desarrollar actividades propuestas en clases anteriores. A nales de la cuarta semana de clases se aplic el postest.
Z O N A P R X I M A N 6 (2005) PGS 94-105
99

En Clculo Diferencial los estudiantes del grupo experimental fueron 16 veces (es decir, 15 sesiones de una hora cada una, y una de induccin) al Laboratorio bajo la supervisin del profesor encargado de la asignatura y con guas elaboradas por l para que los estudiantes desarrollaran actividades de acuerdo con los temas estudiados en clase y, en muchas ocasiones, en el mismo Laboratorio. Las guas eran desarrolladas por los alumnos y hacan parte de la evaluacin de cada parcial. Al nal de la ltima semana de clase se aplic el postest. Formulacin de las hiptesis estadsticas Para determinar si exista diferencia signicativa entre las medias poblacionales del grupo experimental (que se simbolizar por Me) y del grupo de control (que se simbolizar por Mc) en ambas asignaturas, se formularon las siguientes hiptesis estadsticas: Hiptesis nula: Me = Mc vs Hiptesis alternativa: Me Mc. Para probar estas hiptesis se utiliz una prueba estadstica para comparacin de medias (primero, la prueba t y, luego, por razones que ms adelante explicaremos, la prueba de Wilcoxon de suma de rangos). Para el clculo del anlisis estadstico se utiliz el paquete Statgraphics.

Rafael Escudero Trujillo, Humberto Llins, Virgilio Obeso, Carlos Rojas

Resultados en estadstica descriptiva Solo presentaron la prueba del postest 25 estudiantes de los 36 del grupo experimental, y 16 del grupo de control. Medidas estadsticas Las medidas estadsticas obtenidas a partir del postest para ambos grupos en Estadstica se encuentran en la tabla 2.

Estadstica Descriptiva con respecto del grupo control en donde no se utiliz la tecnologa, se pens aplicar la prueba t de Student para la comparacin. Para poder aplicar dicha prueba, se deben vericar inicialmente tres supuestos: Si ambos conjuntos de datos provienen de poblaciones con distribucin normal. Si hay diferencia signicativa o no entre los valores de las varianzas poblacionales de los dos grupos.

Tabla 2: Medidas descriptivas del grupo experimental y control en Estadstica

Estadsticas No. de Est (N) Media Mediana Moda Varianza Desviacin Nota mnima Nota mxima Rango Primer Cuartil Tercer Cuartil Sesgo Curtosis Coef. Variacin G. Experimental 25 3.66667 3,5 3,0 y 3,5 0,885714 0,0941124 1,0 5,0 4,0 3,0 4,5 - 0,541361 0,356511 25,667 % G. Control 16 3.52273 3,75 4,0 0,84469 0,919074 1,5 3,5 2,7 3,0 4,0 - 0,37681 - 0,24765 26,0898 %

Prueba t para la comparacin de medias Para determinar si la inuencia del uso de la tecnologa produjo una diferencia signicativa en el aprendizaje de la
100

Si los tamaos muestrales son menores que 30.

La tabla 3 muestra los resultados al aplicar las pruebas de normalidad.

Z O N A P R X I M A N 6 (2005) PGS 94-105

inuencia de la tecnologa en el aprendizaje de clculo diferencial y estadstica descriptiva

Tabla 3: Resultados de las pruebas de normalidad en Estadstica

Estadstico Chi-Cuadrado Shapiro-Wilks Z para sesgo Z para curtosis G. experimental 56.444 0,939763 0,995018 0,672399 P-valor 2.25031x10 0,06504 0,319726 0,501327
-7

G. control 33.5455 0,94924 0,56963 - 0,0751984

P-valor 0,000220455 0,303167 0,568926 0,940051

De acuerdo con los resultados anteriores ni los datos del grupo experimental ni los datos del grupo de control pueden ser adecuadamente modelados por una distribucin normal, como se explica a continuacin: En el experimental, porque el menor p-valor entre las pruebas desarrolladas es igual a 2.25031x10-7 (ver tabla 3) y este valor es menor que 0,01 lo que implica que estadsticamente se puede rechazar la idea de que los datos del grupo experimental provienen de una distribucin normal con un 99% de conanza. En el grupo de control, el p-valor ms pequeo entre las pruebas desarrolladas fue de 0,000220455 (ver tabla 3) que es menor que 0,01 lo que implica rechazar la idea de que los datos del grupo de control provengan de una distribucin normal con un 99 % de conanza. Por tanto, la prueba t de Student de comparacin de medias no es estadsticamente aplicable porque

no se cumple uno de los supuestos exigidos para la validez de la prueba. Entonces, se recurri a la prueba no paramtrica de Wilcoxon de la suma de rangos. Prueba de Wilcoxon de la suma de rangos Para poder aplicar esta prueba se debe vericar si las distribuciones de ambas poblaciones son idnticas. Para ello se emple la prueba de KolmogorovSmirnov con el siguiente resultado: p-valor=0,199976. Ya que este p-valor es mayor o igual que 0,05, podemos armar con una conanza del 95% que no hay diferencia estadsticamente signicativa entre las distribuciones de ambas poblaciones. Por consiguiente, las condiciones estuvieron dadas para aplicar la prueba de Wilcoxon de la suma de los rangos, obtenindose el siguiente resultado: p-valor=0,3174. Ya que este p-valor es mayor o igual que 0,05, podemos armar con una conanza del 95% que no hay diferencia estadsticamente signicativa entre las medias del grupo experimental y de control.

Z O N A P R X I M A N 6 (2005) PGS 94-105

101

Rafael Escudero Trujillo, Humberto Llins, Virgilio Obeso, Carlos Rojas

Conclusiones del estudio en Estadstica Descriptiva A partir del resultado estadstico, se puede armar que no hubo diferencia signicativa entre el rendimiento de los estudiantes que recibieron el curso de Estadstica Descriptiva con el uso del programa Statgraphics y el rendimiento de los alumnos que recibieron el mismo curso sin el uso del programa Statgraphics.

Resultados en Clculo Diferencial Medidas estadsticas Las medidas estadsticas descriptivas obtenidas a partir del postest para ambos grupos en Clculo estn en la tabla 4.

Tabla 4: Medidas descriptivas del grupo experimental y control en Clculo

Estadsticas No. de Est. (N) Media Mediana Moda Media Geomtrica Varianza Desviacin Error Estndar Nota mnima Nota mxima Rango Primer Cuartil Tercer Cuartil Rango Inter. Sesgo Sesgo Estndar Curtosis Curtosis Estndar Coef. Variacin Suma de Notas G. Experimental 25 3,14 3,0 3,0 3,04924 0,5275 0,726292 0,145258 1,7 4,3 2,6 2,7 3,7 1,0 - 0,423299 - 0,864056 - 0,465748 - 0,475352 23,1303 % 78,5 G. Control 22 3,05455 3,0 3,7 2,96385 0,580693 0,762032 0,162466 2,0 4,7 2,7 2,3 3,7 1,4 0,298178 0,570967 - 0,746333 - 0,71456 24,9475 % 67,2

102

Z O N A P R X I M A N 6 (2005) PGS 94-105

inuencia de la tecnologa en el aprendizaje de clculo diferencial y estadstica descriptiva

Prueba t para la comparacin de medias Para determinar si la inuencia (o el efecto) del uso de la tecnologa tuvo una diferencia signicativa en el aprendizaje del Clculo Diferencial con respecto del grupo control en donde no se utiliz la tecnologa se procedi a realizar la prueba t para comparacin de medias. Antes, con el apoyo del paquete estadstico Statgraphics, vericamos los tres supuestos mencionados en la seccin anterior. En la tabla 5 se muestran los resultados correspondientes a la prueba de normalidad.

Prueba de Wilcoxon de la suma de rangos Como se explic en la seccin anterior, esta prueba es vlida si las distribuciones de ambas poblaciones son normales. Para ello, nuevamente se aplic la prueba de KolmogorovSmirnov con el siguiente resultado: p-valor=0,262841. Ya que este p-valor es mayor o igual que 0,05, podemos armar con una conanza del 95% que no hay diferencia estadsticamente signicativa entre las distribuciones de ambas poblaciones. Por consiguiente, se pudo aplicar la prueba de Wilcoxon, obtenindose el

Tabla 5: Resultados de las pruebas de normalidad en Clculo

Estadstico Chi -Cuadrado Shapiro-Wilks Z para sesgo Z para curtosis G. Experimental 27,08 0,942886 0,673909 -0,414637 P-Valor 0,00446906 0,181329 0,500366 0,678404 G. Control 21,7273 0,938455 0,452915 -0,826563 P-Valor 0,0165559 0,182388 0,650606 0,408483

Como el p-valor ms pequeo en ambos grupos es menor o igual que 0,01, podemos armar con una conanza del 99% de que no se puede rechazar la idea de que ambos grupos provengan de una poblacin normal. Es decir, el supuesto de normalidad no se cumple y con ello la prueba t no es aplicable. Nuevamente, se tuvo que utilizar la prueba de Wilcoxon de la suma de rangos.

p-valor=0,3174. Como este p-valor es mayor o igual que 0,05, podemos armar con una conanza del 95% que no hay diferencia estadsticamente signicativa entre las medias del grupo experimental y de control. Conclusiones del estudio en Clculo Diferencial Del resultado estadstico, se puede armar que no hubo diferencia signicativa entre el rendimiento de

Z O N A P R X I M A N 6 (2005) PGS 94-105

103

Rafael Escudero Trujillo, Humberto Llins, Virgilio Obeso, Carlos Rojas

los estudiantes que recibieron el curso de Clculo Diferencial con el uso del Derive y el rendimiento de los alumnos que recibieron el mismo curso sin el uso del Derive. Discusin y sugerencias Aunque el estudio bajo el rigor estadstico no ofreci diferencias signicativas del efecto de la tecnologa en el aprendizaje del Clculo Diferencial y de la Estadstica Descriptiva con el apoyo del Derive, la calculadora de grcas y programa Statgraphics en relacin con los cursos que se desarrollaron sin el uso de la tecnologa, la experiencia tiene otros valores agregados que no se recogen bajo los parmetros estadsticos inferenciales. Sin embargo, el estudio de las medidas descriptivas muestra una leve tendencia al mejoramiento del aprendizaje del Clculo y de la Estadstica cuando se utilizan los medios computacionales como herramientas o medios cognitivos. Se observ que las interacciones entre los estudiantes, los estudiantes y los medios, los estudiantes y el conocimiento matemtico, los estudiantes y el profesor resultaron ser ms evidentes. El Derive en Clculo y el Statgraphics en Estadstica, fueron pretextos para que los alumnos hicieran mltiples exploraciones y representaciones de los objetos matemticos.

Sugerencias Sera deseable continuar con este estudio y diseo teniendo la oportunidad de recurrir a la seleccin de una poblacin ms amplia. No se debe descuidar el rigor de la matemtica en combinacin con la tecnologa como apoyo o herramienta para incidir positivamente en el aprendizaje de los estudiantes y en los procesos de desarrollo de pensamiento matemtico. Desarrollar un diseo cuasiexperimental con pretest y postest. Referencias
BARRERA, F. & SANTOS. L. (2000) Cualidades y procesos matemticos en la implementacin y solucin de problemas: Un caso hipottico de suministro de alimentos. Proyecto de Incorporacin de nuevas tecnologas al currculo de matemticas en Colombia. Bogot: MEN. Serie Memorias. BRIONES, G. (1998) La investigacin social y educativa. Formacin de docentes en investigacin educativa Bogot: Convenio Andrs Bello. CAMARGO, L. (2003) Un descubrimiento en clase de geometra. Tecnologas computacionales en el currculo de matemticas. Bogot: MEN. Serie Memorias. FIALLO, J. (2004) Talleres para la formacin de docentes en

104

Z O N A P R X I M A N 6 (2005) PGS 94-105

inuencia de la tecnologa en el aprendizaje de clculo diferencial y estadstica descriptiva

el uso didctico de nuevas tecnologas en la educacin matemtica. Bogot: MEN. Serie Documentos. HELMS, C. & HELMS, D. (1992) Multimedia in education (Report N IR-016090). Proceding of 25th Summer conference of Association of small computer users in Education. North Myrtle Beach, Sc (Eric document). LUPIAEZ, J. & MORENO, L. (2002) Tecnologa y representaciones semiticas en el aprendizaje de las matemticas. Bogot: MEN. Serie Memorias. MORENO, L. & ROJANO T. (2002) Educacin Matemtica: Investigacin y Tecnologa en el nuevo siglo. Bogot: MEN. Serie Documentos. NOVAK, J. & GOVIN, D. (1998) Aprendiendo a aprender. Barcelona: Martnez Roca. SCHOENFELD, A. (1994) Reections on doing and teaching mathematics. A. Schoenfeld (Ed), Mathematical thinking and problem solving. Hilisade, N.J. Erlbaun. WERTSCH, J. (1993) Voices of the mind: a sociocultural approach to meditated action. Cambridge: University Press.

Z O N A P R X I M A N 6 (2005) PGS 94-105

105