Perez Mejias Et Al. 2021 - A Longitudinal Study of The Gender Gap in Mathematics Achievement.

Machine Translated by Google
Estudios Educativos en Matemáticas (2021) 107:583–605

https://doi.org/10.1007/s10649-021-10052-1
Un estudio longitudinal de la brecha de género en el

rendimiento en matemáticas: evidencia de Chile
2
Paulina Pérez Mejías1 y Dora Elías McAllister & Karina G. Díaz3 &
Javiera Ravest4
Aceptado: 21 de marzo de 2021/ Publicado en línea: 20 de

abril de 2021 # Los autores, bajo licencia exclusiva de Springer Nature BV 2021
Resumen
Las brechas históricas de rendimiento en matemáticas que favorecen a los estudiantes varones han
comenzado recientemente a reducirse, cerrarse o incluso cambiar a favor de las estudiantes mujeres. Aún
así, en muchos países, los estudiantes varones continúan superando a sus contrapartes femeninas en las
evaluaciones internacionales de matemáticas. Chile tiene una de las brechas de rendimiento en matemáticas
más altas del mundo, como lo demuestran las pruebas de evaluación internacionales, donde los hombres
superan a las mujeres. Usando datos longitudinales representativos a nivel nacional y modelos de crecimiento
latente multigrupo (LGM), el propósito de este estudio fue rastrear la brecha de puntaje de género en
matemáticas desde el jardín de infantes hasta el grado 12. Los hallazgos mostraron que las diferencias de
género surgieron durante el preescolar y se ampliaron cada vez más a medida que los estudiantes progresaban
en la escuela. Aunque la brecha disminuyó ligeramente entre los grados 10 y 12, la brecha inicial casi se
duplicó al final de la escuela secundaria, con implicaciones importantes para el acceso a la educación superior
y la elección de la carrera.
Palabras clave Brecha de género. logro de las matemáticas. Modelado de crecimiento latente. Análisis
longitudinal
* Paulina Pérez Mejías

paulinaperezmejias@gmail.com
Dora Elías McAllister

dora.em@gmail.com
Karina G. Díaz
kgd2118@tc.columbia.edu
Javiera Ravest
javiera.ravest@gmail.com
1
DEMRE, Universidad de Chile, Santiago, Chile
2
Chicago, Estados Unidos
3
Teachers College, Universidad de Columbia, Nueva York, NY, EE. UU.
4
Facultad de Sociología, Política y Estudios Internacionales, Universidad de Bristol, Bristol, Reino Unido
584 Pérez Mejías P. et al.
1. Introducción
Históricamente, las brechas de género en el rendimiento en matemáticas han favorecido a los estudiantes
varones (Forgasz et al., 2014; Lonnemann et al., 2013). Sin embargo, en las últimas dos décadas, estas brechas
se han reducido, cerrado o incluso cambiado a favor de las mujeres estudiantes, especialmente en países
occidentales y otros países desarrollados (Else-Quest et al., 2010; Lai, 2010; Sarouphim & Chartouny, 2017 ). ).
A pesar de este progreso hacia la equidad de género en el rendimiento en matemáticas, las brechas de
puntuación de género siguen estancadas en todos los niveles educativos en muchos países (Lubienski &
Ganley, 2017; Zhu et al., 2018). En 2015, la prueba Trends in International Mathematics and Science Study
(TIMSS) mostró que los estudiantes masculinos de cuarto grado superaron a sus contrapartes femeninas en
matemáticas en el 36% de los países participantes, las mujeres superaron a los hombres en solo el 14% de los
países y no hubo diferencias estadísticamente significativas en logro entre géneros en la mitad de todos los
países participantes (Mullis et al., 2016). De manera similar, el Programa para la Evaluación Internacional de
Estudiantes (PISA) de 2015, que se utiliza para evaluar el rendimiento en matemáticas entre los jóvenes de 15
años, mostró que los estudiantes masculinos obtuvieron puntajes más altos que las mujeres en el 41 % de los
países, las mujeres superaron a los hombres solo en el 13 % de los países. , y en el 46% de los países restantes
no hubo diferencias estadísticamente significativas entre hombres y mujeres (Organización para la Cooperación
y el Desarrollo Económicos [OCDE], 2016).
Además, hay evidencia que indica que las brechas de género en matemáticas continúan después de la
escuela secundaria. Por ejemplo, en los EE. UU., los hombres obtienen calificaciones más altas en la sección
de matemáticas del Scholastic Aptitude Test (SAT), una prueba estandarizada ampliamente utilizada para el
ingreso a la universidad, una tendencia generalizada que ha persistido durante las últimas cinco décadas
(Chubbuck et al., 2016). También hay evidencia de brechas de género que favorecen a los hombres en las
pruebas de admisión a la universidad en otros países. Por ejemplo, en la Prueba de aptitud académica sueca,
los hombres superan a las mujeres por un tercio de una desviación estándar (Graetz & Karimi, 2019), mientras
que en Turquía, los hombres superan a las mujeres en todas las materias evaluadas, con la mayor diferencia
en materias cuantitativas, incluidas las matemáticas. (Sayguin, 2020). Además, entre 540 000 graduados de
más de 200 países que realizaron los Graduate Record Examinations (GRE) entre 2013 y 2018, los hombres
obtuvieron una puntuación promedio más alta que las mujeres en la sección de razonamiento cuantitativo de la
prueba (Educational Testing Service [ETS], 2018) .
Entre los miembros de la OCDE, Chile muestra una de las brechas de género más grandes en rendimiento
en matemáticas, con estudiantes varones que obtienen mejores calificaciones que las mujeres. En la prueba
PISA 2015, Chile mostró la quinta brecha de rendimiento de género más grande a favor de los hombres entre
71 países evaluados (OCDE, 2016). Además, en la prueba TIMSS de 2015, Chile exhibió la mayor brecha de
puntaje a favor de los hombres en desempeño matemático entre todos los países de la OCDE (TIMSS, 2015).
Dadas las grandes y estancadas diferencias de género en el rendimiento en matemáticas que aún existen entre
los estudiantes chilenos, es interesante explorar qué tan temprano se muestra la brecha de género, su tamaño
y el patrón de cambio a medida que los estudiantes avanzan en sus años escolares.
Aunque las evaluaciones TIMSS y PISA brindan cierta información sobre las brechas de rendimiento a lo largo
del tiempo, tienen la limitación de muestrear un nuevo grupo de estudiantes cada año (OCDE, 2010). Por lo
tanto, la naturaleza transversal de los datos de TIMSS y PISA no permite examinar cómo evolucionan las
brechas de género a lo largo del tiempo dentro de los mismos grupos de personas.
Esta limitación se puede abordar utilizando datos longitudinales, que se obtienen al encuestar al mismo grupo
de personas repetidamente a lo largo del tiempo.
Para este estudio, los datos de las pruebas de rendimiento escolar y de admisión a la universidad de Chile
se obtuvieron y fusionaron para construir un conjunto de datos longitudinales de cuatro puntos temporales
(grados 4, 8, 10 y 12) para una cohorte de estudiantes representativa a nivel nacional. Explorar la brecha de género en
Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 585
matemáticas en estos puntos en el tiempo, se utilizó un enfoque de modelado de crecimiento latente multigrupo
(LGM) para estimar las trayectorias de rendimiento en matemáticas de los estudiantes masculinos y femeninos.
Las siguientes preguntas de investigación guiaron el estudio: (1) ¿Cuándo ocurre por primera vez la brecha de
género en los puntajes de matemáticas y qué tan grande es? (2) ¿Cómo cambia el tamaño de la brecha de género
en las pruebas de matemáticas a medida que los estudiantes progresan en la escuela? (3) ¿Las trayectorias
alteran su curso entre los grados 10 y 12 debido al uso de diferentes instrumentos de medición? (4)
¿Cómo cambia la brecha de género en matemáticas cuando se controla por las habilidades académicas y
lingüísticas?
2. Revisión de la literatura
Aunque algunos países muestran poca o ninguna diferencia en el rendimiento en matemáticas entre estudiantes
femeninos y masculinos (p. ej., Else-Quest et al., 2010; Lachance & Mazzocco, 2006; Mok et al., 2015; Stoet &
Geary, 2013), y un Un pequeño número de países muestra una diferencia a favor de las alumnas (p. ej., Else-
Quest et al., 2010; Lai, 2010; Sarouphim & Chartouny, 2017; Stoet & Geary, 2013), en Chile, los estudiantes
varones muestran puntuaciones más altas en matemáticas en pruebas estandarizadas que sus contrapartes
femeninas. Por lo tanto, nuestra revisión de la literatura se centra principalmente, pero no exclusivamente, en los
estudios que se refieren a las brechas de género en las que los hombres superan a las mujeres en las pruebas
estandarizadas de matemáticas.
2.1 Estudios longitudinales sobre diferencias de género en matemáticas
Los estudios longitudinales sobre las diferencias de género en el rendimiento matemático han intentado identificar
cómo comienzan las diferencias entre géneros y cómo cambian a lo largo de los años escolares. Con respecto al
punto de partida de la brecha de género en el rendimiento en matemáticas, los estudios anteriores al año 2000
indicaron que las diferencias de género generalmente surgían al final de la escuela intermedia, al comienzo de la
escuela secundaria o incluso más tarde en la universidad (p. ej., Hyde et al., 1990; Leahey & Guo, 2001; Müller,
1998). Más tarde, otros investigadores (p. ej., Fryer & Levitt, 2010; Husain & Millimet, 2009; Penner & Paret, 2008;
Robinson & Lubienski, 2011) afirmaron que las brechas de género en matemáticas ocurrieron por primera vez
entre el jardín de infantes y el tercer grado, particularmente entre los alumnos de alto rendimiento ( Penner y
Paret, 2008; Robinson y Lubienski, 2011). Estudios más recientes han proporcionado evidencia de que las
diferencias de género en el rendimiento matemático probablemente se muestren por primera vez a una edad
mucho más temprana, ya que los niños experimentan un crecimiento considerable en ciertas habilidades
matemáticas básicas en el hogar antes de comenzar la educación formal (por ejemplo, Barnes et al., 2016; Bonny
& Lourenco, 2013; Klein et al., 2008; Purpura & Reid, 2016).
No hay mucho acuerdo entre los investigadores sobre cómo evolucionan las brechas de género en
matemáticas con el tiempo. Estudios anteriores encontraron que las brechas tienden a aumentar más tarde en la
escuela secundaria y preparatoria (p. ej., Benbow, 1988; Hyde et al., 1990; Leahey & Guo, 2001), mientras que
estudios más recientes han concluido que la brecha de género en matemáticas comienza a ampliarse a una edad
temprana . como escuela primaria (Fryer & Levitt, 2010; Husain & Millimet, 2009; Penner & Paret, 2008). Sin
embargo, otros han encontrado que la brecha de género a favor de los hombres es mayor en la escuela primaria
y tiende a desaparecer en la escuela intermedia (Robinson & Lubienski, 2011). Estos hallazgos contradictorios
sugieren que la aparición y el cambio de brechas a lo largo del tiempo dependen en gran medida del contexto en el que ocurren.
Los estudios longitudinales sobre el crecimiento académico también se preocupan por determinar si la tasa
de crecimiento está relacionada con los niveles iniciales de rendimiento de los estudiantes (Mok et al., 2015). Si
existe una relación positiva entre el estado inicial y la tasa de crecimiento, para los estudiantes que comenzaron
la trayectoria con puntajes más altos, su rendimiento crece a un ritmo más rápido que el de los estudiantes
que comenzaron con puntajes más bajos. Este patrón de asociación conduce a una brecha cada vez mayor
entre los estudiantes inicialmente de bajo y alto rendimiento, lo que se ha denominado en la literatura como
el efecto Matthew (Mok et al., 2015; Shin et al., 2013). Por el contrario, si la relación entre el estado inicial
y el cambio en el tiempo es negativa, esto se conoce como efecto compensatorio, lo que conduce a una
reducción de la brecha de rendimiento (Davis-Kean & Jager, 2014; Mok et al., 2015). En este caso, aquellos
que comenzaron en desventaja pueden alcanzar a sus contrapartes inicialmente más competentes (Davis-
Kean & Jager, 2014; Rescorla & Rosenthal, 2004).
2.2 Teorías sobre las diferencias de género en el rendimiento matemático
La mayoría de las investigaciones actuales explican las brechas utilizando teorías derivadas de marcos
conceptuales sociológicos y psicológicos. El enfoque sociológico se centra en cómo los factores
ambientales sociales afectan el rendimiento de la prueba (Else-Quest et al., 2010; Ghasemi & Burley,
2019). Desde un punto de vista sociológico, las brechas de puntaje basadas en el género se explican por
la socialización de género y los estereotipos arraigados en la sociedad que fomentan una tendencia entre
las mujeres a tener una evaluación menos positiva de sus propias habilidades matemáticas, lo que
probablemente se deba a creencias socialmente aceptadas de que las mujeres no son tan buenos como
los hombres en matemáticas (Cvencek, Meltzoff y Greenwald, 2011; Forgasz et al., 2014; Zhu y Chiu,
2019). Esta corriente de investigación también se ha centrado en cómo las creencias y expectativas de los
docentes sobre el desempeño de los estudiantes difieren según el género de los estudiantes, lo que lleva a
diferencias en el rendimiento, que generalmente favorecen a los estudiantes varones sobre las mujeres
(Dee, 2007; Holmlund & Sund, 2008; Jaremus et al. al., 2020; Mizala, Martínez, & Martínez, 2015; Moller et
al., 2013; Sullivan, 2009; Sullivan et al., 2010).
Los enfoques más contemporáneos, como las teorías queer y críticas, plantean una construcción social
del género más compleja y dinámica que desafía la definición binaria tradicional de las categorías de género
basadas en el sexo de los individuos (Butler, 2004; Rands, 2009). Los primeros estudios de investigación
sobre el rendimiento en matemáticas utilizaron el término diferencias sexuales para referirse a las diferencias
entre hombres y mujeres; como tal, este término enfatizaba la naturaleza “biológica” de las diferencias
(Leder, 2019). Más tarde, en las décadas de 1980 y 1990, reconociendo que tales diferencias estaban
arraigadas en fuerzas dinámicas sociales y culturales más complejas y matizadas, el término género se ha
utilizado cada vez más para indicar que las diferencias en el desempeño probablemente no sean atribuibles
a diferencias biológicas (Leder & Forgasz , 2018; Leder, 2019). En otros campos, las categorías más
matizadas de identidades de género se reconocen cada vez más en las prácticas sociales, legales, médicas
y psicológicas (Leder & Forgasz, 2018; Richards et al., 2016). Sin embargo, aún está por verse si estas
nuevas categorizaciones de género se materializarán en la investigación en educación matemática y cómo
(Leder & Forgasz, 2018), ya que muchos estudios en este campo utilizan datos de encuestas de evaluación
a gran escala que clasifican a los estudiantes como hombres o mujeres. con base en actas de nacimiento
(Leyva, 2017). Por lo tanto, los investigadores que se basan en datos estandarizados de pruebas de
rendimiento en matemáticas tienen que limitar sus análisis a una conceptualización binaria del género.
Al igual que los estudios basados en teorías sociológicas, los que se enmarcan en perspectivas
psicológicas también consideran factores socioambientales, pero en cambio se enfocan en cómo estos
factores interactúan con las características individuales para influir en el comportamiento y el desempeño.
Uno de los temas más citados en la literatura actual en esta área es el concepto de amenaza estereotipada
(Davies & Spencer, 2005; Hannon, 2012; Spencer et al., 2016; Stricker et al., 2015). De acuerdo con este
concepto, la perspectiva de confirmar un estereotipo negativo distrae y perturba lo suficiente
socavar el desempeño de una persona en una prueba estandarizada. Sin embargo, no hay consenso entre los
investigadores sobre si la amenaza del estereotipo podría explicar las diferencias de puntuación de género. Por
ejemplo, Good, Aronson e Inzlicht (2003) demostraron que la amenaza del estereotipo puede explicar las diferencias
en los puntajes de las pruebas de matemáticas entre hombres y mujeres, mientras que Cullen et al.
(2004); Sacket et al. (2009); y Zwick (2002) no encontraron evidencia para respaldar la teoría de que las diferencias
de género en el desempeño en las pruebas estandarizadas podrían deberse a la amenaza del estereotipo.
Otros factores psicológicos que se han atribuido a las brechas de género en el rendimiento matemático incluyen
la ansiedad ante los exámenes (Cassady & Johnson, 2002; Hannon, 2012; Liu, 2009), la autopercepción de la
capacidad matemática (Bench, Lench, Liew, Miner, & Flores, 2015; Cvencek et al., 2011; Radovic et al., 2018; Zhu
& Chiu, 2019), actitud hacia las matemáticas (Choi & Chang, 2011; Markovits & Forgasz, 2017) y motivación (Attali,
2016; Cole & Osterlind , 2008; Wise y DeMars, 2005, 2010). Siguiendo esta línea de investigación, algunos estudios
se preocupan por los posibles efectos negativos de las pruebas de alto impacto en el desempeño de los estudiantes.
En situaciones de alto riesgo, un alto grado de motivación y el deseo de desempeñarse bien pueden conducir a un
desempeño inferior al esperado, considerando el verdadero nivel de habilidad de los examinados (Molsbee & Benton,
2016; Segool et al., 2013). Sin embargo, hay algunos investigadores, en su mayoría informados por las teorías
económicas del comportamiento y el capital humano, que argumentan que cuanto más hay en juego, mayor es el
rendimiento, particularmente en el caso de las pruebas de admisión a la universidad (Cotton et al., 2014; Domina,
2007; Grau, 2018). Esta corriente particular de investigación se ha centrado en los efectos de las políticas de acción
afirmativa que amplían las oportunidades de asistir a la universidad en el comportamiento académico de los
estudiantes. Desde este punto de vista, una mayor recompensa por desempeñarse bien en las pruebas de admisión
a la universidad incentiva a los estudiantes a invertir más esfuerzo académico, lo que conduce a un mejor desempeño,
aunque los efectos difieren según el desempeño del estudiante y el grupo demográfico. Por el contrario, una literatura
de investigación independiente (p. ej., Attali, 2016; Cole & Osterlind, 2008; Finney et al., 2016; Wise & DeMars, 2005,
2010) se ha centrado en probar el supuesto de que las pruebas de bajo riesgo están asociadas con una disminución
en la motivación y el esfuerzo para desempeñarse bien, ya que no hay consecuencias directas para los estudiantes
individualmente en las pruebas de bajo riesgo. Como tal, estos estudios advierten que la baja motivación puede
convertirse en una fuente potencial de sesgo, lo que representa una amenaza para la validez de las pruebas de bajo riesgo.
2.3 Asociaciones entre matemáticas y rendimiento en lenguaje
Los investigadores que han estudiado las brechas en el rendimiento académico han explorado cada vez más la
relación entre las matemáticas y el lenguaje, y algunos investigadores sugieren que el dominio del idioma es
fundamental para el desarrollo de las habilidades matemáticas (p. ej., Codding et al., 2015; Grimm, 2008; Shin et
al. , 2013). En particular, estos estudios han encontrado un fuerte grado de asociación positiva entre el lenguaje y el
rendimiento en matemáticas (p. ej., Rutherford Becker y Vanderwood, 2009; Tartre y Fennema, 1995), porque las
habilidades lingüísticas median en gran medida en muchas tareas matemáticas (Anselmo et al., 2017 ). ; Codding et
al., 2015; Halpern et al., 2007), y porque las habilidades matemáticas y lingüísticas requieren las mismas habilidades
de pensamiento fundamentales y de orden superior (Shanley, 2016). Por ejemplo, ciertos tipos de preguntas en las
evaluaciones de matemáticas, como los problemas de palabras, requieren que el estudiante tenga un cierto nivel de
lenguaje y habilidades de lectura para resolverlos (Halpern et al., 2007; Rutherford-Becker & Vanderwood, 2009). Se
ha encontrado que el grado de asociación entre el rendimiento verbal y matemático es de gran magnitud tanto para
mujeres como para hombres con correlaciones de 0,6 a 0,9 (Tartre & Fennema, 1995; Thurber et al., 2002).
Además, basándose en datos de evaluaciones internacionales, otros investigadores han revelado un patrón
distintivo de brechas de género, en el que las estudiantes suelen obtener calificaciones más altas que los hombres.
estudiantes en lenguaje (Husain & Millimet, 2009; Robinson & Lubienski, 2011; Stoet & Geary, 2013), pero obtienen
puntuaciones más bajas en matemáticas, y viceversa para los estudiantes varones. Por ejemplo, Stoet y Geary
(2013) analizaron una década de datos de la prueba PISA de 1,5 millones de jóvenes de 15 años en 75 países y
encontraron, sistemáticamente y en todas las naciones, que los estudiantes masculinos obtuvieron calificaciones
más bajas que las mujeres en lenguaje, pero más altas en matemáticas.
Dadas las asociaciones entre el lenguaje y el rendimiento en matemáticas, un número creciente de estudios
cuantitativos han incluido el lenguaje como una variable de control al examinar el rendimiento en matemáticas para
aumentar el ajuste estadístico, la confiabilidad y la validez de los modelos y para evitar posibles especificaciones
erróneas del modelo (Anselmo et al., 2017; Codding et al., 2015).
2.4 Estudios chilenos sobre la brecha de género en matemáticas
Encontramos tres estudios que analizaron los puntajes de las pruebas de rendimiento en matemáticas entre los
niños chilenos que fueron evaluados en dos puntos en el tiempo, los grados 4 y 8. Bharadwaj, De Giorgi, Hansen y
Neilson (2016), utilizando métodos de regresión lineal, estimaron una brecha a favor de estudiantes varones de 0,08
desviaciones estándar (SD) en el grado 4 que se amplió a 0,20 SD en el grado 8. El inconveniente de este estudio
fue que combinaron datos de diferentes cohortes de estudiantes para estimar las brechas en cada momento. Por lo
tanto, no es posible diferenciar si las brechas estimadas se debieron a cambios de estudiantes a lo largo del tiempo
oa estudiantes pertenecientes a diferentes cohortes.
Muñoz-Chereau (2019) llevó a cabo modelos multinivel para estudiar las diferencias de género en matemáticas
en los grados 4 y 8. Encontraron una brecha de 0,21 SD a favor de los estudiantes varones en el grado 4 y que las
estudiantes progresaron significativamente menos que los niños (SD = ÿ 0,12) entre los grados 4 y 8. Radovic et al.
(2018) también utilizó modelos multinivel para estudiar las brechas de género y la progresión en el rendimiento en
matemáticas entre los grados 4 y 8. Informó una brecha más pequeña de 0,07 SD en el grado 4 que aumentó a 0,20
SD en el grado 8. El inconveniente de Muñoz-Chereau ( 2019) y Radovic et al. (2018) es que estimar las puntuaciones
de diferencia a partir de solo dos puntos temporales puede dar lugar a estimaciones imprecisas y poco fiables de la
brecha de género (Duncan et al., 2006; Newsom, 2015).
En otro estudio, centrado en las diferencias de género en la sección de matemáticas de las pruebas de admisión
a la universidad chilena, Díaz et al. (2019) utilizaron técnicas descriptivas para analizar datos transversales de cinco
cohortes diferentes de estudiantes. Descubrieron que la brecha de género en la sección de matemáticas de las
pruebas de admisión a la universidad ha disminuido en los últimos años de 0,28 SD en 2014 a 0,16 SD en 2018. Sin
embargo, este no fue el caso para los estudiantes que estaban en el extremo inferior y superior. segmentos de
puntuación (es decir, 1 SD por debajo y por encima de la media, respectivamente), donde la brecha de género frente
a las mujeres se mantuvo constante o aumentó, dependiendo del sector escolar.
Usando análisis de regresión, Arias (2016) estimó la brecha de género en el rendimiento en matemáticas para
una cohorte de estudiantes que fueron evaluados en los grados 10 y 12. Estimaron las diferencias para toda la
cohorte y también para una submuestra de hermanos y hermanas gemelos. Los resultados muestran que se
observan brechas de género significativas tanto en el grado 10 como en el grado 12, con mayores diferencias en el
grado 10 (SD = 0,136) que en el grado 12 (SD = 0,094). Sin embargo, estos resultados no se replicaron para la
submuestra de gemelos, para quienes las diferencias estaban presentes solo en el grado 12 y eran iguales en
tamaño a las de toda la muestra.
Arias atribuyó estas diferencias de género entre las gemelas a la naturaleza de alto riesgo de las pruebas de
admisión a la universidad en el grado 12 que podrían haber resultado en un puntaje que subestima las verdaderas
habilidades de las mujeres en las parejas de gemelas. La desventaja de esto
estudio es que utilizaron diferentes modelos independientes para estimar las diferencias en los grados 10 y 12,
ignorando así la naturaleza longitudinal de los datos, lo que puede haber llevado a la estimación errónea de las
brechas.
Nuestro estudio supera las limitaciones de investigaciones previas al utilizar un enfoque longitudinal para
estimar las brechas entre estudiantes masculinos y femeninos pertenecientes a la misma cohorte de estudiantes.
A diferencia de estudios anteriores que utilizaron solo dos puntos de tiempo, tenemos cuatro puntos de
medición en los grados 4, 8, 10 y 12. Por lo tanto, nuestro estudio está mejor posicionado para obtener
estimaciones más precisas de las brechas en la trayectoria de logros entre estudiantes masculinos y femeninos
(Newsom , 2015). Además, utilizamos LGM, un enfoque de modelado más sofisticado que presenta ventajas
sobre las técnicas más tradicionales para modelar el cambio a lo largo del tiempo (por ejemplo, modelos
ANOVA y ANCOVA de medidas repetidas) y modelos multinivel. El enfoque LGM es una técnica mucho más
versátil que permite realizar pruebas de invariancia, formas convenientes de manejar datos faltantes; estimar
una variedad de estructuras de error; y evaluando estas especificaciones con pruebas anidadas (Newsom,
2015). Además, se utilizó un enfoque de grupos múltiples para estimar cómo los estudiantes masculinos y
femeninos difieren en sus trayectorias de crecimiento del rendimiento en matemáticas, lo que facilita la
obtención simultánea de diferentes estimaciones de los parámetros de interés (varianzas y covarianzas de los
factores y varianzas residuales de los indicadores observados) para ambos. géneros (Hancock & Lawrence,
2006; Duncan et al., 2006).
3 métodos
3.1 Fuentes de datos
Este estudio se basa en los datos de rendimiento escolar K-12 proporcionados por el Sistema de Medición de
la Calidad de la Educación (SIMCE). Las pruebas SIMCE son evaluaciones estandarizadas a nivel nacional del
aprendizaje de los estudiantes del currículo obligatorio chileno en matemáticas, lenguaje, ciencias naturales y
ciencias sociales. Obtuvimos los resultados del SIMCE para una cohorte de estudiantes que fueron evaluados
en los grados 4, 8 y 10. Luego, fusionamos los datos del SIMCE con los datos de la Prueba Chilena de
Admisión a la Universidad (PSU), proporcionada por el Departamento de Evaluación, Medición y Registros
Educativos (DEMRE). DEMRE es la agencia nacional oficial responsable de la construcción y administración
de las pruebas de admisión universitaria en Chile. La PSU se administra una vez al año en todo el país a los
graduados de secundaria interesados en realizar estudios postsecundarios.
Hasta 2019, las pruebas de PSU consistían en cuatro exámenes estandarizados en papel: (1) lenguaje, (2)
matemáticas, (3) ciencias e (4) historia y ciencias sociales. Las secciones de lenguaje y matemáticas de la
prueba eran obligatorias, mientras que las secciones de ciencias e historia y ciencias sociales eran opcionales,
aunque los estudiantes debían tomar al menos una de las dos secciones opcionales de la prueba. La sección
de matemáticas de la prueba PSU corresponde a la cuarta medida repetida (es decir, el grado 12) para la
cohorte de estudiantes incluidos en nuestra muestra.
Tanto SIMCE como PSU son pruebas estandarizadas de conocimiento del currículo nacional. Sin embargo,
el SIMCE es una prueba de desempeño obligatoria de bajo nivel diseñada para fines de evaluación y rendición
de cuentas de la escuela, mientras que la PSU es una prueba voluntaria de alto nivel, aunque se requiere para
la admisión a la mayoría de los colegios y universidades que otorgan títulos.
Estas pruebas también tienen diferentes escalas métricas. La escala SIMCE oscila entre 50 y 450 puntos, con
una media de 250 y una DE de 50 puntos (Agencia de Calidad de la Educación, 2015), mientras que la PSU
oscila entre 150 y 850 puntos, con una media de
500 y una SD de 110 puntos (DEMRE, 2020). Por este motivo, las puntuaciones se estandarizaron antes de introducirlas
en el modelo (media = 0, desviación estándar (DE) = 1).
3.2 Muestra
Los conjuntos de datos de SIMCE y PSU se fusionaron mediante registros coincidentes utilizando un número de
identificación de estudiante enmascarado disponible en ambos conjuntos de datos para obtener un conjunto de cuatro
medidas repetidas de rendimiento en matemáticas, lenguaje y promedio general (GPA) en los grados 4, 8, 10, y 12. Los
datos recopilados contenían información sociodemográfica y académica de una cohorte de estudiantes que fueron
evaluados por primera vez en 4° grado en 2007. La muestra se restringió a estudiantes que tomaron la prueba SIMCE de
matemáticas en uno o más momentos y que también tomaron la Prueba de fuente de alimentación. La muestra analítica
final incluyó 132.747 sujetos, de los cuales un 46% eran hombres y un 54% eran estudiantes.
3.3 Variables
3.3.1 Puntajes de las pruebas de matemáticas
La variable de resultado es el puntaje individual de la prueba de matemáticas y se midió en cuatro ocasiones, los grados 4,
8, 10 y 12. Los puntajes se ingresaron en el modelo como variables estandarizadas continuas (media = 0, DE = 1).
3.3.2 Género
Esta variable se incluyó en el modelo como una variable de agrupación binaria basada en las dos opciones de género
identificadas en los registros administrativos (1 = masculino; 2 = femenino).
3.3.3 Promedio de calificaciones (GPA)
El GPA es el promedio de calificaciones obtenido en los grados 4, 8, 10 y 12. El GPA se mide en Chile en una escala de
1,0 a 7,0. La calificación mínima para aprobar un curso es 4.0. El GPA se transformó en una medida estandarizada (media
= 0, SD = 1) y se incluyó en el modelo como una covariable variable en el tiempo de los puntajes de las pruebas de
matemáticas.
3.3.4 Puntajes de las pruebas de idioma
Las puntuaciones de las pruebas de lenguaje se transformaron en medidas estandarizadas (media = 0, SD = 1) y se

agregaron al modelo como covariables variables en el tiempo de las puntuaciones de matemáticas.
3.3.5 Tipo de escuela
Hasta 2018, las escuelas en Chile se clasificaban en una de tres categorías: públicas, subvencionadas y privadas.
Esta variable categórica se transformó en tres indicadores binarios codificados de forma ficticia que se ingresaron al modelo
como variables auxiliares.
En la Tabla 1 se presenta un resumen de las estadísticas descriptivas por género y cohorte de las variables incluidas
en el modelo en su métrica original .
Tabla 1 Resumen de estadísticos descriptivos de la muestra
Género Total
Variables Hombre Femenino

n=60.578 n=72,169 n=132,747
Media (DE) [Mín., máx.] Media (DE) [Mínimo máximo] Media (DE) [Mínimo máximo]
puntajes de las pruebas de matemáticas
Grado 4 273,5 (50,9) [87,8, 369,6] 263,3 (49,9) [94,1, 369,6] 267,9 (50,6) [87,8, 369,6]
Grado 8 281,9 (46,8) [135,3, 395,7] 270,2 (47,3) [135,3, 395,7] 275,5 (47,4) [135,3, 395,7]
Grado 10 296,3 (60,5) [88,6, 422,2] 281,0 (61,9) [88,6, 422,2] 288,0 (61,7) [88,6, 422,2]
Grado 12 524,8 (113,4) [150,0, 85,00] 501,9 (104,8) [150,0, 850,0] 512,4 (109,4) [150,0,850,0]
Puntuaciones de las pruebas de idioma
Grado 4 273,1 (49,9) [117,3, 379,4] 275,5 (48,0) [112,3, 379,4] [112,3, 379,4] 274,4 (48,9)
Grado 8 267,5 (48,1) [104,0, 375,7] 273,4 (45,2) [103,5, 375,7] [103,5, 375,7] 270,7 (46,6)
Grado 10 266,2 (54,7) [124,4, 391,4] 272,8 (51,5) [124,4, 391,4] [124,8, 391,4] 269,8 (53,1)
Grado 12 506,7 (111,8) [156,0, 850,0] 505,3 (106,1) [150,0, 837,0] 506,0 (108,7) [150,0, 850,0]
Promedio de calificaciones
Grado 4 6,1 (0,5) [3.6, 7.0] 6,1 (0,5) [3,0, 7,0] 6,1 (0,5) [3.0, 7.0]
Grado 8 5,7 (0,5) [3.3, 7.0] 5,8 (0,5) [3,1, 7,0] 5,8 (0,5) [3.1, 7.0]
Grado 10 5,6 (0,5) [1.9, 7.0] 5,7 (0,5) [1,0, 7,0] 5,7 (0,5) [1.0, 7.0]
Grado 12 5,6 (0,5) [4.1, 7.0] 5,8 (0,5) [4,3, 7,0] 5,7 (0,5) [4.1, 7.0]
3.4 Enfoque analítico
Se utilizó un enfoque LGM multigrupo por partes para obtener el rendimiento en matemáticas
trayectorias de alumnos y alumnas. En un modelo LGM, prueba matemática observada
se supone que las puntuaciones son indicadores imperfectos del verdadero nivel de matemáticas de los estudiantes
logro en cada punto en el tiempo (Hancock y Lawrence, 2006). un multigrupo o
El análisis de muestras múltiples implica dividir la muestra en dos grupos y estimar
parámetros en ambos grupos simultáneamente (Predicador et al., 2008), lo que permite probar
para las diferencias en los procesos de desarrollo entre los grupos, incluidas las diferencias en inicial
estado, tasas de cambio y efectos de las covariables (Duncan et al., 2006). por partes
modelos, también conocidos como modelos de incremento/decremento (Newsom, 2015), o agregados
modelos de crecimiento (Duncan et al., 2006), se supone que la primera pendiente es el crecimiento base
tasa a lo largo de toda la trayectoria, mientras que el segundo representa la medida en que
que hay un aumento o disminución en relación con la tasa de crecimiento base (Hancock &
Lorenzo, 2006; Newsom, 2015).
Los diagramas de ruta correspondientes a los modelos especificados para cada grupo se presentan en la Fig. 1.
Los óvalos corresponden a variables latentes, los rectángulos representan variables observadas y los triángulos
representan medios. Las rutas representan relaciones entre variables. Caminos unidireccionales (con
flechas de una punta) representan la relación causal de una variable causal a una de efecto, mientras que
caminos bidireccionales (con flechas de dos puntas) representan relaciones no causales entre
variables conectadas. Hay diagramas de ruta separados para estudiantes femeninos y masculinos, cada uno de ellos
que corresponde a un modelo LGM por partes con cuatro medidas matemáticas repetidas
puntajes de las pruebas, ya que los modelos para ambos grupos se estiman simultáneamente pero por separado. Para ambos
grupos, la métrica de crecimiento se estableció para reflejar el lapso de tiempo desigual entre los grados 4, 8,
10 y 12 (representados por los caminos entre la pendiente 1 y las cuatro medidas repetidas de
matemáticas), con un punto de referencia hipotético en el jardín de infancia. Por lo tanto, el intercepto es el
puntuación media predicha en el jardín de infancia. La pendiente 1 representa la tasa de cambio lineal sobre los cuatro
puntos de tiempo. Se incluyó una segunda pendiente en el modelo para evaluar si el uso de un
machos Hembras
1 1
yo
metro
S2m yo
F
S2f
S1m S1f
Pendiente 1 CS1m Pendiente 1 CS1f

CIm 1 4 0 1 4 0
Interceptar Pendiente 2 CS2m CIf Interceptar Pendiente 2 CS2f
1 8 12 0 1 8 12 0
1 1 10 1 1 1 10 1
3 3
Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas
Grado 4 Grado 8 Grado 10 Grado 12 Grado 4 Grado 8 Grado 10 Grado 12
SIMCE 2007 SIMCE 2011 SIMCE 2013 Fuente de alimentación 2015 SIMCE 2007 SIMCE 2011 SIMCE 2013 Fuente de alimentación 2015
bG4m bL4m bG8m bL8m bG10m bL10m bG12m bL12m bG4f bL4f bG8f bL8f bG10f bL10f bG12f bL12f
E4 E8 E10 E12 E4 E8 E10 E12
GPA Idioma GPA Idioma GPA Idioma GPA GPA Idioma GPA Idioma GPA Idioma GPA
Idioma Idioma
Grado 4 Grado 4 Grado 8 Grado 8 Grado 10 Grado 10 Grado 12 Grado 12 Grado 4 Grado 4 Grado 8 Grado 8 Grado 10 Grado 10 Grado 12 Grado 12
Fig. 1 Modelos de crecimiento latente por partes de grupos múltiples para mujeres y hombres, con estructura media, un curso
pendiente de corrección y covariables variables en el tiempo
instrumento de medición (PSU) en el grado 12 hace que la trayectoria se desvíe de su curso original
establecidos por medidas de puntos de tiempo previos (representados por los caminos entre la pendiente 2 y los cuatro
medidas repetidas de matemáticas). Por lo tanto, la métrica de crecimiento para la pendiente 2 es 0 para el
puntajes de matemáticas en los grados 4 y 8, 1 para el grado 10 y 3 para el grado 12.
3.5 Especificación del modelo
Como lo indican las pautas de construcción de modelos para modelos de crecimiento latente (Bollen & Curran,
2006; Grimm, Ram y Estabrook, 2017; Pequeño, 2013; Newsom, 2015; Wickram et al.,
2016), primero se obtuvo un modelo incondicional o nulo, seguido de la adición de
covariables variables en el tiempo para obtener un modelo condicional. En una incondicional longitudinal
modelo, el tiempo es el único predictor considerado, mientras que en un modelo condicional, adicional
predictores se incluyen en el modelo, por lo que los efectos se controlan o condicionan en
las variables predictoras (Bollen & Curran, 2006). El modelo incondicional o nulo es
considerado un modelo de línea de base contra el cual se comparan los modelos subsiguientes para el ajuste
evaluación (Grimm et al., 2017) y un paso necesario para determinar que hay suficiente
información modelable en los datos (Little, 2013), así como para probar si un lineal
El enfoque para cambiar con el tiempo es razonable (Wickrama et al., 2016).
Luego, las covariables que varían en el tiempo (es decir, el GPA y los puntajes de las pruebas de idioma, que son predictores
variables medidas en cada punto en el tiempo junto con los puntajes de las pruebas de matemáticas) se agregaron a la
modelo para explicar la variación en los niveles iniciales y la tasa de cambios, indicando así qué
condiciones o factores hacen que los individuos difieran en sus trayectorias (Wickrama et al., 2016).
Agregar covariables que varían en el tiempo puede reducir el error en la predicción de pendientes mediante la contabilidad
para parte de la varianza residual de medición en cada punto de tiempo, reduciendo así parcialmente el
grado en que el desajuste de la pendiente se debe a factores extraños explicados por la variación temporal
covariable (Newsom, 2015).
Finalmente, se realizaron análisis multigrupo de los modelos condicional e incondicional.
para probar si las medias latentes y las varianzas del intercepto estimado y las pendientes diferían
entre machos y hembras. Para probar las diferencias entre los parámetros de interés correspondientes
a través de los grupos, seguimos una restricción univariante simultánea y una estadística de prueba univariante
(Mann et al., 2009).
Los modelos se estimaron utilizando Mplus 8.1 con un estimador robusto de máxima verosimilitud (MLR). Para
evaluar la bondad de ajuste de los modelos se utilizaron el índice de ajuste comparativo (CFI), el error cuadrático
medio de aproximación (RMSEA) y el residuo cuadrático medio estandarizado (SRMR), con valores de corte de
CFIÿ0.96, RMSEAÿ 0,06 y SRMRÿ 0,09, lo que indica que los datos se ajustan adecuadamente a los modelos (Hu
& Bentler, 1999).
3.6 Manejo de datos faltantes
Para abordar el problema de la falta de datos en la muestra del estudio, se utilizó la estimación de máxima
verosimilitud (ML). Una ventaja de ML es que no requiere descartar casos con datos incompletos, ya que utiliza
todos los datos disponibles para estimar los parámetros del modelo (Enders, 2011). La desventaja de confiar en las
técnicas de ML para manejar los datos faltantes es que la suposición de falta aleatoria (MAR) no se puede probar
realmente. Sin embargo, se pueden utilizar dos estrategias para mejorar la plausibilidad de MAR. Primero, usamos
un modelo de selección de crecimiento latente (Enders, 2010, 2011), que nos permitió concluir que MAR es una
suposición plausible en este estudio. Una segunda estrategia para mejorar la plausibilidad de MAR fue la inclusión
de variables auxiliares (es decir, tipo de escuela) altamente correlacionadas con las variables de resultado
observadas y se encontró que tenían una asociación significativa con los indicadores de datos faltantes (Enders,
2015).
3.7 Limitaciones
Las dos pruebas antes mencionadas utilizadas en este estudio, SIMCE y PSU, tienen diferentes escalas métricas.
Para hacer frente a este problema, se estandarizaron las puntuaciones. Debido a que las puntuaciones
estandarizadas son más propensas a errores de medición, esto podría haber sesgado las brechas estimadas hacia
cero (Reardon & Galindo, 2009). Sin embargo, debido a que no se dispuso de puntajes brutos para este estudio, la
estandarización fue el único enfoque factible para tratar este problema.
Otra limitación del estudio es la ausencia en nuestro modelo de características individuales que la investigación
ha demostrado que influyen en el rendimiento de los estudiantes en matemáticas, como el estatus socioeconómico
de los estudiantes (p. ej., Zhu et al., 2018). Sin embargo, esta información no estaba disponible en nuestro conjunto
de datos.
Finalmente, la información sobre los estudiantes en nuestro conjunto de datos proviene de registros
administrativos, que identifican el género de los estudiantes según su sexo al nacer. Como tal, nuestros análisis
están ligados a la categorización binaria femenino-masculino de los estudiantes. Sin embargo, nos hemos adherido
al uso del término género en lugar de sexo para enfatizar que las diferencias entre estudiantes masculinos y
femeninos no tienen una base biológica.
4 resultados
Las estimaciones de parámetros para los modelos incondicional y condicional se presentan en la Tabla 2.
Los índices de ajuste para cada modelo se presentan en la parte superior de la Tabla 2. En ambos casos, estos
índices se encuentran dentro del rango óptimo, lo que indica que la hipótesis de una trayectoria lineal por tramos a
lo largo de los años escolares es razonable, lo que permitió una mayor interpretación de los parámetros específicos
del modelo. (Hancock & Lawrence, 2006).
Las estimaciones de R-cuadrado en la parte inferior de la Tabla 2 muestran la proporción de varianza en los
indicadores que se explica por el modelo factorial, que varía de 74 a 94 % en el modelo incondicional y de 77 % a
88 % en el modelo condicional. . Estos altos R-cuadrado
R
Plaza Desviaciones
residuales Covarianzas
de
factores Variaciones
de
factores Medias
de
factores Tabla
2
Estimaciones
de
parámetros
para
los
modelos
condicional
e
incondicional
(solución
no
estandarizada)
Matemáticas
12º
grado matemáticas
10mo
grado Matemáticas
8vo
grado Matemáticas
4to
grado Matemáticas
12º
grado matemáticas
10mo
grado Matemáticas
8vo
grado Matemáticas
4to
grado Pendiente
1-
pendiente
2 Intersección-
pendiente
2 Intersección-
pendiente
1 Pendiente
2 Pendiente
1 Interceptar Pendiente
2 Pendiente
1 Interceptar
0,942
0,736
0,792
0,779 0,059
0,263
0,201
0,238 ÿ0,140
0,138
ÿ0,019 1.777
0.019
0.031 0,088
0,003
ÿ0,005 Est. machos RMSEA
=
0,036,
CFI
=
1,000,
SRMR
=
0,005 Incondicional
0,018
0,003
0,008 0,018
0,004
0,009 0,008
0,010
0,001 0,026
0,001
0,000 0,006
0,001
0,002 SE
valor
p
<0,001
<0,001 <0,001
<0,001 <0,001 <0,001 <0,001
0,779
0,793
0,769
0,856 0,215
0,209
0,233
0,132 ÿ0,049
0,008
ÿ0,011 1,009
0,009
0,042 ÿ0,065
ÿ0,008
0,022 Est. Hembras
0,016
0,003
0,008 0,016
0,003
0,007 0,007
0,009
0,001 0,059
0,001
0,002 0,005
0,001 SE
valor
p RMSEA
=
0,055,
CFI
=
0,998,
SRMR
=0,024 Condicional
<0,001
<0,001 <0,001
<0,001 <0,001
0,375 <0,001 <0,001
0,874
0,770
0,792
0,811 0,129
0,228
0,203 ÿ0,147
0,176
ÿ0,021 1,682
0,018
0,040 0,096
0,008
ÿ0,015 Est. machos
0,010
0,003
0,005 0,011
0,003
0,006 0,007
0,009
0,001 0,064
0,001
0,002 0,005
0,001
0,002 SE
valor
p
<0,001
<0,001 <0,001
<0,001 <0,001 <0,001 <0,001
0,793
0,801
0,876
0,785 0.210
0.183 0,122
0,217 ÿ0,158
0,183
ÿ0,023 1.852
0.019
0.048 ÿ0,096
ÿ0,009
0,025 Est. Hembras
0,009
0,002
0,006 0,009
0,002
0,005 0,007
0,009
0,001 0,061
0,001
0,002 0,005
0,001 SE
valor
p
<0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001
Pérez Mejías P. et al. 594
a Brecha de Género - Modelo Incondicional b Brecha de Género - Modelo Condicional
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.15 0.20
0.00 0.00 0.32
0.23 0.19 0.26 0.33 0.36 0.40
0.24 0.26 0.29
estandarizado
matemáticas
Puntaje
de
erocShtaMdezidradnatS
-0.05 -0.05
-0.10 -0.10
-0.15 -0.15
-0.20 -0.20
-0.25 -0.25
0 2 4 6 8 10 12 0 2 4 6 8 10 12
Calificación Calificación
Femenino Mujer (CC) Masculino

Hombre (CC) Femenino Mujer (CC) Masculino
Hombre (CC)
Fig. 2 Brechas de género longitudinales para los modelos a incondicional y b condicional
valores sugieren que los puntajes observados en las pruebas de matemáticas son indicadores adecuados de la hipótesis
trayectoria del rendimiento en matemáticas según lo especificado por el intercepto latente y las pendientes y que
la varianza debida al error de medición es bastante pequeña (Geiser, 2013).
Trayectorias latentes para estudiantes masculinos y femeninos obtenidas tanto con el incondicional como con el
los modelos condicionales se representan en la Fig. 2. El panel A muestra las trayectorias y las brechas estimadas
con el modelo incondicional, mientras que el panel B muestra los resultados del modelo condicional que
incorpora covariables variables en el tiempo. Las líneas continuas representan trayectorias latentes estimadas usando
solo una pendiente para las cuatro medidas repetidas, mientras que las líneas discontinuas indican la corrección del curso
asociado con la pendiente 2. Las líneas más oscuras con marcadores triangulares corresponden a las trayectorias de los machos
estudiantes, mientras que las líneas más claras con marcadores cuadrados representan trayectorias de estudiantes mujeres.
Las brechas de puntuación en matemáticas se presentan en unidades de desviación estándar porque los modelos fueron
estimados simultáneamente pero por separado para cada grupo, lo que resulta en diferentes medios y
desviaciones estándar para el intercepto y pendientes para hombres y mujeres. Por lo tanto, para hacer un
comparación justa de estimaciones para ambos géneros, informamos los resultados de la

solución estandarizada.
4.1 Modelo incondicional
Las trayectorias representadas en el panel A de la Fig. 2 demuestran la brecha de género en matemáticas
el rendimiento comenzó antes del jardín de infancia y luego se amplió con el tiempo. El tamaño de la brecha
comienza en 0.15 SD y aumenta constantemente a casi 0.30 SD en el grado 12. Trayectorias entre
kindergarten y el grado 10 son relativamente planos tanto para hombres como para mujeres, ya que la pendiente 1 es casi
cero para ambos sexos (0,003 para hombres y ÿ0,008 para mujeres). Sin embargo, debido a que la pendiente 1 era
negativo para mujeres (ÿ0.008) y positivo para hombres (0.003), la brecha promedio entre los dos
Los grupos se ampliaron con el tiempo.
La covarianza entre el intercepto y la pendiente 1 fue negativa para ambos grupos, pero mayor
en magnitud para los alumnos varones (ÿ0,140) que para las alumnas (ÿ0,049). estos negativos
valores indican que, para ambos géneros, las trayectorias de los estudiantes con puntajes iniciales más altos
tendía a crecer menos con el tiempo que las trayectorias de los estudiantes con puntajes iniciales más bajos, cuyas
en cambio, las trayectorias tendieron a aumentar más rápidamente con el tiempo. Este efecto compensador fue
más fuerte para los estudiantes varones.

Entre los grados 10 y 12, la trayectoria del curso corregido se desvía de su curso original
establecido por medidas de puntos de tiempo anteriores (línea discontinua en el panel A de la Fig. 2), lo que resulta en trayectorias
cambio de dirección tanto para estudiantes femeninos como masculinos, reduciendo así la brecha de 0.26 SD en
grado 10 a 0,23 en grado 12.
La covarianza entre el intercepto y la pendiente entre los grados 10 y 12 fue positiva
para ambos grupos, pero mucho mayor para los hombres (0,138) que para las mujeres (0,008). En otras palabras,
entre los grados 10 y 12, los estudiantes con puntajes relativamente altos en el punto inicial del
trayectoria tendía a obtener puntajes más altos que los estudiantes con puntajes relativamente más bajos al comienzo del
la trayectoria, aunque este efecto es mucho más fuerte para los estudiantes varones.
4.2 Modelo condicional
La incorporación de puntajes de pruebas de lenguaje y GPA como covariables variables en el tiempo al modelo en
cada punto en el tiempo produjo brechas aún más amplias que las del modelo incondicional, lo que sugiere
la brecha de rendimiento en matemáticas es aún mayor entre los estudiantes femeninos y masculinos que tienen
GPA similares y puntajes de pruebas de idioma.
El panel B muestra la brecha de género en el rendimiento en matemáticas para el modelo condicional. Después
Al introducir covariables en el modelo, las brechas en cada punto en el tiempo aumentaron en comparación con aquellas
brechas en el modelo incondicional, comenzando con una brecha de 0.19 SD en el jardín de infantes que se amplió a
0,36 SD en el grado 10 y que disminuyó ligeramente a 0,32 SD en el grado 12.
Otro hallazgo importante del modelo condicional fue que la fuerza de la relación
entre los puntajes iniciales en matemáticas y la tasa de crecimiento aumentó desproporcionadamente para
mujeres, incluso superando levemente a los hombres entre los grados 10 y 12. En otras palabras,
al controlar el lenguaje y el rendimiento académico, la cantidad inicial de matemáticas
competencia se convirtió en un determinante tan fuerte del desempeño posterior en matemáticas para
alumnas como para los alumnos varones.
4.3 Pruebas estadísticas de diferencias de género en matemáticas
Una de las ventajas de LGM multigrupo es que permite probar si las diferencias
entre estudiantes masculinos y femeninos son estadísticamente significativos. Las diferencias de género estimadas son
se muestra en la Tabla 3. Las diferencias medias estimadas de la intercepción y las pendientes fueron todas
estadísticamente significativo (p < 0.01), lo que significa que podemos decir con un 99% de confianza que
Las diferencias de género en las trayectorias de rendimiento en matemáticas no se deben al azar.
Tabla 3 Diferencias de género entre medias y varianzas de los factores (mujeres-hombres)
Incondicional Condicional
Parámetro Estimar SE valor p Estimar SE valor p
Diferencias de medias
Interceptar ÿ0,154 0,008 <0,0001 ÿ0,192 0,006 <0.0001
Pendiente 1 ÿ0,011 0,001 <0,0001 ÿ0,017 0,001 <0.0001
Pendiente 2 0,027 0,002 <0,0001 0,041 0,002 <0.0001
Diferencias de varianza
Interceptar ÿ0,768 0,089 <0,0001 0,170 0,088 0.054
Pendiente 1 ÿ0,010 0,001 <0,0001 0,001 0,001 0.280
Pendiente 2 0,010 0,002 <0,0001 0,007 0,003 0.005
En cuanto a las diferencias de varianza entre géneros, después de controlar las habilidades académicas y
lingüísticas, estas no fueron estadísticamente significativas o fueron de una magnitud muy pequeña. Esto
significa que los hombres y las mujeres eran igualmente heterogéneos en el punto de partida de la trayectoria,
así como con respecto a cómo cambian con el tiempo, al controlar el lenguaje y las habilidades académicas.
5 Discusión
La primera pregunta de investigación se refiere a qué tan temprano ocurre la brecha de género en el rendimiento
matemático y qué tan grande es cuando aparece. Los resultados de este estudio revelaron que había una
brecha de género del 15 % de una desviación estándar en el jardín de infantes que se amplió al 19 % al controlar
el lenguaje y el rendimiento académico. De acuerdo con los estudios de la primera infancia sobre rendimiento
matemático que sugieren que las habilidades matemáticas comienzan a desarrollarse durante los años
preescolares (p. ej., Bonny & Lourenco, 2013; Forgasz et al., 2014; Purpura & Reid, 2016; Zhu & Chiu, 2019),
nuestros resultados revelan las diferencias de género en las habilidades matemáticas emergen en el entorno
del hogar antes de que los niños ingresen a la escuela. La aparición de diferencias de género en el rendimiento
matemático a una edad tan temprana bien puede explicarse mediante teorías de socialización de género (Else-
Quest et al., 2010; Ghasemi & Burley, 2019; Zhu & Chiu, 2019). Desde este punto de vista, tal como lo sugieren
Zhu y Chiu (2019), los roles de género estereotipados están arraigados en los entornos domésticos y sociales
de los niños; la percepción de que los niños son más capaces que las niñas en matemáticas puede llevar a los
padres y las familias a invertir más esfuerzos en fomentar las habilidades numéricas en los niños que en las
niñas.
En referencia a la segunda pregunta de investigación, sobre cómo cambia la brecha de género en los
puntajes de matemáticas con el tiempo, los resultados muestran que las diferencias entre estudiantes masculinos
y femeninos se amplían a medida que los estudiantes avanzan en sus años escolares. La brecha casi se duplicó
desde el jardín de infantes hasta el grado 12 en los modelos condicional e incondicional, lo que implica que el
sistema educativo está reforzando las brechas tempranas en el rendimiento matemático entre géneros. Aunque
nuestros datos no brindan evidencia sobre las razones detrás de la ampliación de la brecha de género en el
rendimiento en matemáticas, es probable que los factores de socialización en las escuelas estén jugando un
papel en el refuerzo de estas brechas. Estudios previos respaldaron esta conjetura. Por ejemplo, Mizala et al.
(2015) encontraron que las expectativas de los docentes sobre el rendimiento en matemáticas eran más bajas
para las niñas que para los niños en una muestra representativa de escuelas chilenas. Las expectativas
estereotipadas de los docentes pueden llevar a todos los estudiantes a creer que los estudiantes varones son
más aptos que las mujeres para aprender matemáticas, lo que hace que las estudiantes tengan menos confianza
y estén menos interesadas en las matemáticas que sus contrapartes varones, como lo sugieren estudios en
otros países (p. ej., Ganley & Lubienski, 2016; Ghasemi & Burley, 2019; Zhu & Chiu, 2019).
La magnitud de las brechas estimadas en este estudio es mayor que las reportadas en estudios previos que
analizaron las brechas entre los grados 4 y 8 entre estudiantes chilenos (Arias, 2016; Bharadwaj et al., 2016;
Muñoz-Chereau, 2019; Radovic, 2018) y en comparación con las brechas entre los estudiantes de primaria en
otros países (Ganley & Lubienski, 2016) también. Es probable que las diferencias en el tamaño de las brechas
estimadas se deban al uso de datos de diferentes cohortes de estudiantes y al uso de diferentes técnicas de
modelado. El presente estudio utilizó un enfoque LGM, que proporcionó estimaciones libres de errores de
medición, produciendo así estimaciones más precisas que otros métodos tradicionales de regresión lineal y
multinivel.
Se incluyó una segunda pendiente en el modelo para evaluar si el uso de una prueba diferente en el grado
12 alteró el curso de la trayectoria entre los grados 10 y 12 establecida por el tiempo anterior.
puntos en los grados 4, 8 y 10, que proporcionaron respuestas a nuestra tercera pregunta de investigación. En este
punto, es oportuno recordar al lector que los primeros tres puntajes observados corresponden a puntajes de pruebas
de rendimiento de bajo impacto que se utilizan para fines de rendición de cuentas escolares (prueba SIMCE), mientras
que el último puntaje observado en el grado 12 corresponde a exámenes de alto impacto que se utilizan para fines de
rendición de cuentas. decisiones de admisión a la universidad (prueba PSU). Cuando se considera el efecto del uso de
una prueba diferente, al incluir una segunda pendiente en el modelo, la brecha de género disminuyó ligeramente entre
los grados 10 y 12, mostrando que las estudiantes en promedio tienden a alcanzar a sus compañeros varones en este período.
Estos resultados son consistentes con los hallazgos de Arias (2016), quien también encontró que la brecha se redujo
del grado 10 al grado 12. Las estudiantes mujeres muestran una trayectoria descendente hasta el grado 10 y luego una
trayectoria ascendente entre los grados 10 y 12. Este patrón de El cambio en la dirección de las trayectorias entre las
alumnas muestra que este grupo tiende a rendir menos en las pruebas de bajo riesgo y, por el contrario, a desempeñarse
mejor en situaciones de prueba de alto riesgo. Esta evidencia está en línea con estudios previos que plantean que las
pruebas de bajo riesgo están asociadas con niveles más bajos de motivación y rendimiento (Attali, 2016; Cole &
Osterlind, 2008; Wise & DeMars, 2005, 2010) , mientras que las situaciones de alto riesgo fomentan niveles más altos.
de esfuerzo académico conducente a un mejor desempeño en las pruebas (Cotton et al., 2014; Domina, 2007; Grau,
2018).
Con base en la asociación negativa entre el estado inicial y la tasa de crecimiento hasta el grado 10 para ambos
sexos, nuestro estudio revela que los estudiantes que muestran niveles más altos de rendimiento en matemáticas
inicialmente tienden a disminuir su crecimiento a lo largo de los años, mientras que los alumnos con bajo rendimiento
inicial pueden reducir ligeramente el rendimiento. brecha y aumentar el rendimiento en matemáticas con el tiempo.
Estos hallazgos son consistentes con estudios previos que se refieren a este patrón de asociación entre el estado inicial
y la tasa de crecimiento como “efectos compensatorios” (Davis-Kean & Jager, 2014; Mok et al., 2015). Estudios previos
han atribuido efectos compensatorios a los maestros que adaptan su instrucción para proporcionar más y más
instrucción de matemáticas de aprendizaje activo a los estudiantes que muestran un rendimiento más bajo en
evaluaciones de matemáticas anteriores (Nurmi et al., 2012; Mok et al., 2015; Ottmar et al., 2014 ). ).
Sin embargo, después del grado 10, la relación entre el punto inicial de la trayectoria y la tasa de crecimiento
cambió de negativa a positiva para ambos géneros. Por lo tanto, entre los grados 10 y 12, tanto para los estudiantes
masculinos como femeninos que tuvieron un desempeño superior en el punto inicial de la trayectoria, su rendimiento
en matemáticas tiende a crecer a tasas más altas en este período que sus compañeros que obtuvieron puntajes
relativamente más bajos al comienzo de la trayectoria. la trayectoria Como se mencionó anteriormente, la asociación
positiva entre el estado inicial y el crecimiento se conoce como efecto Matthew (Mok et al., 2015; Shin et al., 2013). Este
efecto podría atribuirse al hecho de que los estudiantes de alto rendimiento, tanto hombres como mujeres, probablemente
tengan expectativas de realizar estudios de educación superior. Como tal, los estudiantes de alto rendimiento pueden
tener la motivación para aumentar sus esfuerzos académicos entre los grados 10 y 12 en respuesta a las pruebas de
admisión universitaria de alto impacto en la postura del grado 12 (Cotton et al., 2014; Domina, 2007; Grau, 2018 ). Por
el contrario, los estudiantes de bajo rendimiento pueden no haber desarrollado expectativas de asistir a la universidad y
pueden no ver los beneficios de un mayor esfuerzo para mejorar su rendimiento en matemáticas. Además, un plan de
estudios más difícil cubierto entre los grados 10 y 12 puede disuadir a los estudiantes de bajo rendimiento de lograr
avances significativos en el aprendizaje de matemáticas en este mismo período (Shin et al., 2013).
En nuestro estudio, el efecto Matthew es ligeramente más fuerte entre las alumnas, lo que podría explicar en parte
el efecto de disminución de la brecha de género entre los grados 10 y 12. La relación más fuerte entre el estatus inicial
y el crecimiento entre los grados 10 y 12 para las alumnas podría ser debido al hecho de que, a diferencia de sus
homólogos masculinos, las alumnas tienen más espacio para mejorar su rendimiento en matemáticas; en consecuencia,
el esfuerzo académico invertido
entre los grados 10 y 12 puede resultar en mayores logros de aprendizaje para las estudiantes en comparación con
los estudiantes masculinos.
En relación con los diferentes instrumentos utilizados, aunque los resultados revelaron un tamaño de brecha
diferente según el instrumento utilizado para estimarlo, en consonancia con brechas previas en los puntajes de PISA
y TIMSS entre estudiantes chilenos (Agencia de Calidad de la Educación, 2017a, b), Tanto los puntajes de las
pruebas SIMCE como de la PSU arrojaron brechas sustanciales a favor de los hombres. Por lo tanto,
independientemente de la prueba utilizada, la evidencia apunta a una brecha de género constante y generalizada
entre los estudiantes chilenos que favorece a los hombres en todos los niveles educativos y los instrumentos utilizados para estimar d
Aunque todos estos instrumentos conllevan una cierta cantidad de error de medición y ciertamente son perfectibles,
los hallazgos consistentes entre los estudios que utilizan diferentes instrumentos descartan la posibilidad de que la
brecha de género en el rendimiento en matemáticas entre los estudiantes chilenos sea un mero artefacto de las
pruebas estandarizadas.
Finalmente, se ingresaron en el modelo las covariables variables en el tiempo del rendimiento académico y
lingüístico, para determinar si el control de estos factores cambiaba la brecha, lo que proporcionó una respuesta a
nuestra cuarta y última pregunta de investigación. Los resultados de este estudio indican que las brechas estimadas
en cada punto en el tiempo aumentaron significativamente al controlar los puntajes de las pruebas de idioma y el
GPA. De acuerdo con investigaciones anteriores que muestran que los estudiantes que tienen mayores habilidades
de lectura y escritura tienden a mostrar mayores aumentos en el rendimiento en matemáticas (p. ej., Codding et al.,
2015; Grimm, 2008; Shin et al., 2013), nuestros resultados indican puntajes más altos en las pruebas de lenguaje. se
asocian con un mayor rendimiento en matemáticas para ambos sexos. Sin embargo, las ganancias asociadas con un
mejor desempeño en la prueba de idioma son mayores para los estudiantes varones que para las mujeres. En otras
palabras, la brecha de género es más amplia cuando se comparan estudiantes femeninos y masculinos en niveles
equivalentes de puntajes de idioma y GPA.
6 Implicaciones para la práctica y estudios futuros
Los resultados de este estudio amplían la comprensión de la brecha de género en el rendimiento matemático
mediante el uso de un enfoque de modelado de crecimiento latente por partes de varios grupos. La mayoría de los
estudios sobre las brechas de género en el rendimiento en matemáticas se han basado en datos transversales que
están obligados a examinar las brechas en un momento determinado y, como tal, podrían pasar por alto cómo
evolucionan estas brechas con el tiempo dentro de las cohortes de estudiantes. Además, hasta donde sabemos,
nuestro estudio (a diferencia de otros estudios LGM que han usado modelos que prueban las diferencias entre grupos
usando variables ficticias) es el único que ha usado un enfoque multigrupo para modelar las trayectorias de
rendimiento en matemáticas de estudiantes masculinos y femeninos. . Nuestro enfoque tiene muchas ventajas sobre
los métodos longitudinales más tradicionales para estudiar las trayectorias de logro, como permitirnos modelar
diferentes formas funcionales en las trayectorias de los grupos y especificar para cada grupo diferentes varianzas de
intersecciones aleatorias, pendientes aleatorias y error, así como la covarianza entre las intersecciones aleatorias y
las pendientes aleatorias (Bollen & Curran, 2006). La capacidad de estimar diferentes parámetros para cada grupo
permite un examen más matizado de las diferencias entre géneros (p. ej., qué tan heterogéneo es inicialmente cada
grupo, cómo se relaciona el estado inicial con la tasa de crecimiento, cómo las covariables que varían en el tiempo
afectan las trayectorias) en lugar de solo comparar puntuaciones medias entre los grupos. Como tal, nuestro estudio
podría ser informativo para los investigadores interesados en aplicar esta herramienta infrautilizada pero poderosa
para avanzar en nuestro conocimiento de las brechas de género en el rendimiento matemático.
Estudios previos muestran hallazgos contradictorios sobre si las diferencias de género en el rendimiento
matemático persisten o disminuyen (Ganley & Lubienski, 2016). Aunque las brechas de género en
rendimiento en matemáticas están disminuyendo en muchos países, nuestros hallazgos muestran que en Chile,
como en muchos otros países (por ejemplo, Australia, Canadá, Portugal, la República Eslovaca, España, Croacia,
Italia; Mullis et al., 2016), las brechas de género femeninas Los logros en matemáticas están estancados y
necesitan más atención por parte de los investigadores y los responsables políticos.
Nuestros hallazgos proporcionan evidencia de que las diferencias de género ocurren antes de que los niños
ingresen al sistema escolar. Como tal, futuros estudios podrían centrarse en identificar los ambientes del hogar,
las prácticas de los padres y la escolarización, así como los factores sociales que pueden estar causando
diferencias en el desarrollo de las habilidades matemáticas a una edad tan temprana. La investigación sobre
intervenciones efectivas que podrían ayudar a reducir las brechas de género entre los niños en edad preescolar
aún es escasa. Más evidencia sería valiosa para el diseño de intervenciones de política educativa dirigidas a
reducir las diferencias de género durante la primera infancia.
El estudio también confirmó los hallazgos de estudios de investigación anteriores (p. ej., Fryer & Levitt, 2010;
Husain & Millimet, 2009; Penner & Paret, 2008) de que las brechas de género se amplían a medida que los
estudiantes pasan de la escuela primaria a la secundaria. Como lo sugieren estudios previos, la ampliación de
las brechas de género probablemente se deba a las prácticas de los padres, la enseñanza y la escuela que
pueden estar permitiendo o incluso reforzando estereotipos de género perjudiciales, que son perjudiciales para el
rendimiento de las estudiantes en matemáticas (Holmlund & Sund, 2008 ). ; Jaremus et al., 2020; Mizala et al.,
2015; Moller et al., 2013; Sullivan, 2009; Sullivan et al., 2010). Estudios anteriores han demostrado que dedicar
más tiempo de instrucción a los estudiantes de bajo rendimiento, junto con altas expectativas académicas de los
padres y maestros, puede ayudar a reducir las diferencias entre los estudiantes de bajo y alto rendimiento (Mok
et al., 2015; Nurmi et al., 2012; Ottmar et al., 2014). Sin embargo, estudios adicionales podrían centrarse en
examinar intervenciones diseñadas específicamente para reducir las diferencias de género en el rendimiento en
matemáticas para evaluar su eficacia e informar mejor la práctica y la formulación de políticas.
La brecha de género es considerable al final de la escuela secundaria y, por lo tanto, tiene implicaciones
importantes para el acceso a la educación superior. Los puntajes más bajos en matemáticas actúan como una
barrera para que las mujeres elijan carreras STEM, ya que los puntajes en matemáticas tienen un gran peso
como criterio de admisión para las carreras STEM. En el caso de Chile, como lo indican Gándara y Silva (2016),
a pesar de que las mujeres han logrado importantes avances en las últimas décadas en términos de acceso y
permanencia en la educación superior, se observa una importante brecha de género en los niveles de participación
en ciencias e ingenierías. permanece estancado. A su vez, esta brecha de participación de las mujeres en
carreras STEM puede contribuir en última instancia a la posterior segregación ocupacional de género y a las
disparidades de ingresos de género. Para abordar estas desventajas para el acceso a la educación superior de
las estudiantes, las políticas de admisión podrían beneficiarse de avanzar hacia una evaluación más holística de
los solicitantes universitarios (Hossler & Bastedo, 2019). Al igual que en muchos otros países que utilizan sistemas
centralizados de admisión a la universidad (Saygin, 2020), los colegios y universidades de Chile se han basado
tradicionalmente en gran medida en la prueba PSU y el GPA para seleccionar a los solicitantes. La adopción de
un enfoque más holístico para las admisiones puede eliminar las barreras estructurales que han afectado
negativamente el acceso a la educación superior para las mujeres y otros grupos históricamente subrepresentados.
Otro tema que merece mayor atención por parte de los investigadores se relaciona con el hecho de que la
brecha estimada entre géneros varió según el instrumento utilizado para evaluar el rendimiento en matemáticas.
Los estudios futuros podrían examinar si los examinados femeninos y masculinos se desempeñan de manera
diferente en las pruebas de alto y bajo riesgo. Sin embargo, independientemente de la prueba utilizada, la brecha
de género en el rendimiento en matemáticas a favor de los hombres es constante en todos los instrumentos de
medición. Como tal, es poco probable que la brecha de género en matemáticas sea simplemente producto del
sesgo de las pruebas.
El hecho de que las brechas de género en las pruebas de rendimiento en matemáticas se hayan reducido o
desaparecido en varios países (p. ej., Lai, 2010; Mullis et al., 2016) muestra que no existen
diferencias biológicas que impulsan la brecha de logros entre géneros en matemáticas. De hecho, esta evidencia da pie a
teorías socioculturales que atribuyen las diferencias de género en el rendimiento matemático a los estereotipos sociales
que impiden que las mujeres desarrollen sus habilidades matemáticas a su verdadero potencial (p. ej., Cvencek et al., 2011;
Forgasz et al., 2014).
Finalmente, los desarrollos futuros en la investigación y la formulación de políticas deberían reconocer los cambios
sociales en curso que han provocado una conceptualización más compleja de las identidades de género, que reconoce
categorías adicionales fuera del binarismo tradicional masculino-femenino. La investigación educativa ha mostrado una
mejora en la comprensión y conceptualización del género al pasar de una perspectiva biológica basada en el sexo a una
perspectiva basada en el género más matizada y compleja para explicar las diferencias en el rendimiento entre los
estudiantes (Leder & Forgasz, 2018; Leyva, 2017; Richards et al., 2016). Sin embargo, es posible que debamos avanzar un
paso más en la recopilación de evaluaciones a gran escala nacionales e internacionales para reflejar mejor una comprensión
más actual de las múltiples identidades de género.
Referencias
Agencia de Calidad de la Educación. (2017a). Informe de resultados PISA 2015: Competencia científica, lectora y matemática en
estudiantes de quince años en Chile. http://archivos.agenciaeducacion.cl/ INFORME_DE_RESULTADOS_PISA_2015.pdf
Agencia de Calidad de la Educación. (2017b). Informe de resultados nacionales TIMSS 2015. http://archivos.agenciaeducacion.cl/
informe_nacional_de_resultados_TIMSS_ 2015.pdf
Agencia de la Calidad de la Educación. (2015). Informe técnico SIMCE 2015 [Informe Técnico SIMCE 2015].
http://archivos.agenciaeducacion.cl/Informe_Tecnico_SIMCE_2015.pdf
Anselmo, G., Yarbrough, J., Kovaleski, J. y Tran, V. (2017). Validez relacionada con el criterio de dos medidas basadas en
el currículo de habilidad matemática en relación con la comprensión lectora en estudiantes de secundaria. Psicología
en las Escuelas, 54(9), 1148–1159. https://doi.org/10.1002/pits.22050
Arias, O. (2016). Brecha de género en matemáticas: El sesgo de las pruebas competitivas (evidencia para Chile)
[Brecha de género en matemáticas: El sesgo de las pruebas competitivas (evidencia para Chile)] [Tesis de maestría,
Universidad de Chile]. https://doi.org/10.13140/RG.2.1.2012.8248 Attali, Y. (2016). Esfuerzo en evaluaciones de bajo
riesgo: ¿Qué se necesita para desempeñarse tan bien como en un entorno de alto riesgo? Medida Educativa y Psicológica,
76(6), 1045–1058. https://doi.org/10.1177/ 0013164416634789
Barnes, MA, Klein, A., Swank, P., Starkey, P., McCandliss, B., Flynn, K., Zucker, T., Huang, C. H., Fall, A.
M. y Roberts, G. (2016). Efectos de las intervenciones tutoriales en matemáticas y atención a preescolares de bajo rendimiento.
Revista de investigación sobre la eficacia educativa, 9(4), 577–606.
Benbow, CP (1988). Diferencias sexuales en la capacidad de razonamiento matemático en preadolescentes intelectualmente
talentosos: su naturaleza, efectos y posibles causas. Ciencias del comportamiento y del cerebro, 11, 169–232.
Bench, SW, Lench, HC, Liew, J., Miner, K. y Flores, SA (2015). Brechas de género en la sobreestimación del rendimiento
en matemáticas. Roles sexuales: una revista de investigación, 72 (11–12), 536–546. https://doi.org/10.1007/s11199-015-
0486-9
Bharadwaj, P., De Giorgi, G., Hansen, D. y Neilson, C. (2016). La brecha de género en matemáticas: Evidencia desde Chile.
Desarrollo económico y cambio cultural, 65(1), 141–166. https://doi.org/10.1086/687983 Bollen, KA y Curran, PJ (2006).
Modelos de curvas latentes: una perspectiva de ecuación estructural. Wiley
Interciencia.
Bonny, J. y Lourenço, S. (2013). El sistema numérico aproximado y su relación con los logros tempranos en matemáticas: Evidencia
de los años preescolares. Revista de Psicología Infantil Experimental, 114(3), 375–388. https://doi. org/10.1016/
j.jecp.2012.09.015 Mayordomo, J. (2004). Deshacer el género. Routledge.
Cassady, JC y Johnson, RE (2002). Ansiedad ante los exámenes cognitivos y rendimiento académico. Contemporáneo
Psicología educativa, 27(2), 270–295. https://doi.org/10.1006/ceps.2001.1094
Choi, N. y Chang, M. (2011). Interacción entre el clima escolar, el género, la actitud hacia las matemáticas y el rendimiento
matemático de los estudiantes de secundaria. Revista de investigación de grados intermedios, 6(1), 15–28.
Chubbuck, K., Curley, W. y King, T. (2016). ¿Quién va primero? Diferencias de género en el rendimiento en la prueba SAT® de
ítems de lectura crítica con contenido deportivo y científico. Serie de informes de investigación de ETS, 2, 1–116. https://
doi.org/10.1002/ets2.12109 _
Codding, R., Petscher, Y. y Truckenmiller, A. (2015). Lectura, matemáticas y expresión escrita de CBM en el nivel secundario:
examen de relaciones compuestas latentes entre índices y predicciones únicas con una prueba de rendimiento estatal.
Revista de Psicología Educativa, 107(2), 437–450.
Cole, JS y Osterlind, SJ (2008). Investigar las diferencias entre el desempeño de pruebas de alto y bajo riesgo en un examen de
educación general. Revista de Educación General, 57(2), 119–130.
Cotton, C., Hickman, BR y Price, JP (2014). Acción afirmativa e inversión en capital humano: Evidencia de un experimento de
campo aleatorio. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2486387 Cullen, MJ, Hardison, CM y Sackett, PR
(2004). Uso de las relaciones sat-grade y capacidad-desempeño laboral para probar las predicciones derivadas de la teoría de la
amenaza estereotipada. Revista de Psicología Aplicada, 89(2), 220– 230.
Cvencek, D., Meltzoff, AN y Greenwald, AG (2011). Estereotipos matemático-género en niños de primaria. Desarrollo infantil, 82(3),
766–779.
Davies, PG y Spencer, SJ (2005). El artefacto de la brecha de género: el bajo rendimiento de las mujeres en dominios cuantitativos
a través de la lente de la amenaza del estereotipo. En AM Gallagher y JC Kaufman (Eds.), Diferencias de género en
matemáticas: un enfoque psicológico integrador (págs. 172–188). Prensa de la Universidad de Cambridge.
Davis-Kean, PE y Jager, J. (2014). Trayectorias de logros dentro de la raza/etnicidad: “ponerse al día” en logros a lo largo del
tiempo. Revista de Investigación Educativa, 107(3), 197–208. https://doi.org/10.1080/ 00220671.2013.807493
Dee, T. (2007). Los docentes y las brechas de género en el rendimiento estudiantil. Revista de recursos humanos, 42(3), 528–554
http://www.jstor.org/stable/40057317 Departamento de Evaluación, Medición y Registro Educacional. (2020). Informe del
cálculo de puntajes PSU admisión 2020. https://demre.cl/estadisticas/documentos/ informes/2020-calculo-puntaje-proceso-
admision-2020.pdf
Díaz, K., Ravest, J. y Queupil, JP (2019). Brecha de género en la prueba de acceso a la universidad en Chile: ¿Qué está pasando
en la parte superior e inferior de la distribución de puntajes de la prueba? Pensamiento Educativo, 56(1), 19. https://doi.org/10.
7764/PEL.56.1.2019.5
Domina, T. (2007). La política de educación superior como reforma de la escuela secundaria: las escuelas secundarias públicas de Texas después
Hopwood. Evaluación educativa y análisis de políticas, 29(3), 200–217.
Duncan, TE, Duncan, SC y Stryker, LA (2006). Una introducción al modelado de la curva de crecimiento variable latente:
Conceptos, problemas y aplicaciones (2ª ed.). Asociados de Lawrence Erlbaum.
Servicio de Pruebas Educativas. (2018). Una instantánea de las personas que tomaron el examen general GRE 2013–2018.
https://www.ets.org/s/gre/pdf/snapshot_test_taker_data_2018.pdf
Else-Quest, NM, Hyde, JS y Linn, MC (2010). Patrones transnacionales de diferencias de género en matemáticas: un metanálisis.
Boletín Psicológico, 136(1), 103–127. https://doi.org/10.1037/a0018053
Enders, CK (2010). Análisis de datos faltantes aplicado. Prensa Guilford.
Enders, CK (2011). Análisis de datos longitudinales con valores perdidos. Psicología de la rehabilitación, 56(4), 267–
288. https://doi.org/10.1037/a0025579
Enders, CK (2015). Taller sobre el tratamiento de los datos faltantes [diapositivas de PowerPoint]. http://cyfs.unl.edu/cyfsprojects/
videoPPT/8551c12760de7027a89d14b29c26522a/151026-Enders.pdf _ Finney, S., Sundre, D., Swain, M. y Williams, L.
(2016). La validez de las estimaciones de valor agregado de contextos de prueba de bajo impacto: el impacto del cambio en la
motivación para tomar la prueba y las consecuencias de la prueba. Evaluación educativa, 21(1), 60–87.
Forgasz, HJ, Leder, CG y Tan, H. (2014). Opiniones públicas sobre el género de las matemáticas y carreras relacionadas:
comparaciones internacionales. Estudios educativos en matemáticas, 87(3), 369–388.
Freidora, R. y Levitt, S. (2010). Un análisis empírico de la brecha de género en matemáticas. Diario económico estadounidense:
economía aplicada, 2 (2), 210–240. https://doi.org/10.1257/app.2.2.210 Gándara, F., & Silva, M. (2016). Comprensión de la
brecha de género en ciencias e ingeniería: evidencia de las pruebas de admisión a la universidad chilena. Revista internacional de
educación científica y matemática, 14 (6), 1079–1092. https://doi.org/10.1007/s10763-015-9637-2
Ganley, CM y Lubienski, ST (2016). Confianza, interés y rendimiento en matemáticas: examen de patrones de género y relaciones
recíprocas. Aprendizaje y diferencias individuales, 47, 182–193. https://doi.org/10.1016/j.lindif.2016.01.002 _ Geiser, C. (2013).
Análisis de datos con Mplus. Prensa Guilford.
Ghasemi, E. y Burley, H. (2019). Género, afecto y matemáticas: un metanálisis internacional de tendencias en los resultados del estudio
internacional de matemáticas y ciencias de 2015. Evaluaciones a gran escala en educación, 7(1), 1–25. https://doi.org/10.1186/
s40536-019-0078-1 Good, C., Aronson, J. e Inzlicht, M. (2003). Mejorando el rendimiento de las pruebas estandarizadas de los
adolescentes: una intervención para reducir los efectos de la amenaza del estereotipo. Revista de Psicología del Desarrollo Aplicada,
24(6), 645–662.
Graetz, G. y Karimi, A. (2019). Explicación de la variación de la brecha de género en los formularios de evaluación, documento de trabajo
8, Instituto para la Evaluación del Mercado Laboral y Políticas Educativas (IFAU), https://www.econstor.eu/handle/
10419/201472
Grau, N. (2018). El impacto de las políticas de admisión a la universidad en el esfuerzo académico de los estudiantes de secundaria.
Revista de Economía de la Educación, 65, 58–92. https://doi.org/10.1016/j.econedurev.2018.03.002 Grimm, KJ
(2008). Asociaciones longitudinales entre rendimiento en lectura y matemáticas. Neuropsicología del desarrollo, 33(3), 410–426. https://
doi.org/10.1080/87565640801982486 Grimm, KJ, Ram, N. y Estabrook, R. (2017). Modelado de crecimiento: Ecuación estructural
y modelado multinivel
enfoques. Prensa Guilford.
Halpern, DF, Benbow, CP, Geary, DC, Gur, RC, Hyde, JS y Gernsbacher, MA (2007). La ciencia de las diferencias sexuales en ciencias
y matemáticas. Ciencia psicológica en el interés público, 8(1), 1–51. https://doi.org/10.1111/j.1529-1006.2007.00032.x Hancock,
GR y Lawrence, FR (2006). Uso de modelos de crecimiento latente para evaluar el cambio longitudinal. En GR
Hancock & RO Mueller (Eds.), Modelado de ecuaciones estructurales: un segundo curso (págs. 171–196).
Publicación de la era de la información.
Hannon, B. (2012). La ansiedad ante los exámenes y los objetivos de evitación del rendimiento explican las diferencias de género en
los puntajes SAT-V, SAT M y SAT generales. Personalidad y diferencias individuales, 53(7), 816–820. https://doi.org/10.1016/
j.paid.2012.06.003 _
Holmlund, H. y Sund, K. (2008). ¿La brecha de género en el rendimiento escolar se ve afectada por el sexo del docente?
Economía Laboral, 15(1), 37–53. https://doi.org/10.1016/j.labeco.2006.12.002 Hossler, D. y
Bastedo, M. (2019). Un estudio del uso de factores no académicos en las revisiones holísticas de admisión de pregrado. Revista de
Educación Superior, 90(6), 833–859. https://doi.org/10.1080/00221546. 2019.1574694
Hu, L. y Bentler, P. (1999). Criterios de corte para índices de ajuste en análisis de estructura de covarianza: Criterios convencionales
versus nuevas alternativas. Modelado de ecuaciones estructurales, 6(1), 1–55.
Husain, M. y Millimet, D. (2009). ¿La mítica 'crisis de los chicos'? Revista de Economía de la Educación, 28(1), 38–48. https://doi.org/
10.1016/j.econedurev.2007.11.002 Hyde, J., Fennema, E. y Lamon, S. (1990). Diferencias de género en el rendimiento matemático:
un metanálisis.
Boletín Psicológico, 107(2), 139–155. https://doi.org/10.1037//0033-2909.107.2.139 Jaremus, F., Gore, J.,
Prieto-Rodríguez, E. y Fray, L. (2020). Las niñas todavía están siendo 'descontadas': expectativas de los maestros de los estudiantes de
matemáticas de alto nivel. Estudios educativos en matemáticas, 105 (2), 219–236. https://doi.org/10.1007/s10649-020-09986-9
Klein, A., Starkey, P., Clements, D., Sarama, J. e Iyer, R. (2008). Efectos de una intervención matemática en preescolar: un
experimento aleatorio. Revista de investigación sobre la eficacia educativa, 1(3), 155–178.
Lachance, JA y Mazzocco, MM (2006). Un análisis longitudinal de las diferencias de sexo en matemáticas y habilidades espaciales en
niños en edad escolar primaria. Aprendizaje y diferencias individuales, 16(3), 195–216. https://doi.org/10. 1016/j.lindif.2005.12.001
Lai, F. (2010). ¿Se quedan atrás los chicos? La evolución de la brecha de rendimiento de género en las escuelas secundarias de Beijing.
Revista de Economía de la Educación, 29(3), 383–399. https://doi.org/10.1016/j.econedurev.2009.07.009 Leahey, E. y
Guo, G. (2001). Diferencias de género en las trayectorias matemáticas. Fuerzas Sociales, 80(2), 713–732 http://www.jstor.org.proxy-
um.researchport.umd.edu/stable/2675595 Leder, GC (2019). Género y educación matemática: una visión general. En G. Kaiser &
NC Presmeg (Eds.), Compendio para investigadores de carrera temprana en educación matemática (págs. 289–307). Saltador. https://
doi. org/10.1007/978-3-030-15636-7 Leder, GC y Forgasz, HJ (2018). Midiendo quién cuenta: evaluación de género y matemáticas.
ZDM:
Educación Matemática, 50(4), 687–697. https://doi.org/10.1007/s11858-018-0939-z

Leyva, LA (2017). Desempacando el mito de la superioridad masculina y la masculinización de las matemáticas en las intersecciones:
una revisión de la investigación sobre el género en la educación matemática. Revista de Investigación en Educación Matemática,
48(4), 397–433. https://doi.org/10.5951/jresematheduc.48.4.0397 Poco, TD (2013). Modelado de ecuaciones estructurales
longitudinales. Prensa Guilford.
Liu, OL (2009). Una investigación de los factores que afectan las diferencias de género en el rendimiento matemático estandarizado:
resultados de estudiantes de 15 años de EE. UU. y Hong Kong. Revista Internacional de Pruebas, 9(3), 215–237.
Lonnemann, J., Linkersdörfer, J., Hasselhorn, M. y Lindberg, S. (2013). Diferencias de género en ambas colas de la distribución de
competencias numéricas en preescolares. Estudios educativos en matemáticas, 84 (2), 201–208.
Lubienski, ST y Ganley, CM (2017). Investigación sobre género y matemáticas. En J. Cai (Ed.), Compendio de investigación en
educación matemática (págs. 649–666). Consejo Nacional de Profesores de Matemáticas.
Mann, H., Rutstein, D. y Hancock, G. (2009). El potencial de hallazgos diferenciales entre las estrategias de prueba de invariancia para
modelos de ruta de variables medidas de muestras múltiples. Medición Educativa y Psicológica, 69(4), 603–612.
Markovits, Z. y Forgasz, H. (2017). “Las matemáticas son como un león”: Creencias de estudiantes de primaria sobre las matemáticas
matices Estudios educativos en matemáticas, 96(1), 49–64.
Mizala, A., Martínez, F., & Martínez, S. (2015). Expectativas de los futuros maestros de escuela primaria sobre el desempeño de los
estudiantes: cómo sus creencias se ven afectadas por su ansiedad matemática y el género del estudiante.
Enseñanza y formación del profesorado, 50, 70–78. https://doi.org/10.1016/j.tate.2015.04.006 Mok, MM,
McInerney, DM, Zhu, J. y Or, A. (2015). Trayectorias de crecimiento del rendimiento en matemáticas: seguimiento longitudinal del
progreso académico de los estudiantes. The British Journal of Educational Psychology, 85(2), 154–171. https://doi.org/10.1111/
bjep.12060 Moller, S., Mickelson, R., Stearns, E., Banerjee, N. y Bottia, M. (2013). Cultura docente pedagógica colectiva y logros
en matemáticas: diferencias por raza, etnia y estatus socioeconómico. Sociología de la Educación, 86(2), 174–194.
Molsbee, CP y Benton, B. (2016). Un alejamiento de las pruebas de alto riesgo hacia una competencia integral.
Enseñanza y aprendizaje en enfermería, 11(1), 4–7. https://doi.org/10.1016/j.teln.2015.10.003 Müller, C.
(1998). Diferencias de género en la participación de los padres y el rendimiento matemático de los adolescentes.
Sociología de la Educación, 71(4), 336–356.
Mullis, IVS, Martin, MO, Foy, P. y Hooper, M. (2016). Resultados internacionales TIMSS 2015 en matemáticas.
http://timssandpirls.bc.edu/timss2015/international-results/
Muñoz-Chereau, B. (2019). Explorando la brecha de género y los efectos diferenciales escolares en matemáticas en escuelas primarias
chilenas. Eficacia escolar y mejoramiento escolar, 30(2), 83–103. https://doi.org/10.1080/
09243453.2018.1503604
Newsom, JT (2015). Modelado de ecuaciones estructurales longitudinales: una introducción completa. Routledge.
Nurmi, J.-E., Viljaranta, J., Tolvanen, A. y Aunola, K. (2012). Los maestros adaptan su instrucción de acuerdo al desempeño académico
de los estudiantes. Psicología educativa, 32, 571–588. https://doi.org/10.1080/01443410.
2012.675645
Organización para la cooperación económica y el desarrollo. (2010). Caminos hacia el éxito: cómo el conocimiento y las habilidades a
los 15 años dan forma a vidas futuras en Canadá. Publicaciones de la OCDE. https://doi.org/10.1787/9789264081925-2-
es
Organización para la cooperación económica y el desarrollo. (2016). Resultados PISA 2015 (Volumen I): Excelencia y equidad en la
educación. Publicaciones de la OCDE. https://doi.org/10.1787/9789264266490-graph70-es Ottmar, ER, Decker, LE, Cameron,
CE, Curby, TW y Rimm-Kaufman, SE (2014). Calidad de instrucción en el aula, exposición a la instrucción matemática y rendimiento
matemático en quinto grado.
Investigación de entornos de aprendizaje: una revista internacional, 17(2), 243–262. https://doi.org/10.1007/
s10984-013-9146-6
Penner, AM y Paret, M. (2008). Diferencias de género en el rendimiento matemático: Explorando los primeros grados y los extremos.
Investigación en Ciencias Sociales, 37(1), 239–253. https://doi.org/10.1016/j.ssresearch.2007.06. 012
Predicador, KJ, Wichman, AL, MacAllum, RC y Briggs, NE (2008). Modelado de la curva de crecimiento latente.
Publicaciones SAGE.
Púrpura, D. y Reid, E. (2016). Matemáticas y lectura: diferencias individuales y grupales en las habilidades de lectura matemática en
niños pequeños. Investigación trimestral de la primera infancia, 36, 259–268. https://doi.org/10.1016/j.ecresq.2015.12.020 _
Radovic, D. (2018). Diferencias de género en el rendimiento en matemáticas en Chile. Revista Colombiana de Educación,
74, 221–241.
Radovic, D., Black, L., Williams, J. y Salas, CE (2018). Hacia la coherencia conceptual en la investigación sobre la identidad del
estudiante de matemáticas: una revisión sistemática de la literatura. Estudios educativos en matemáticas, 99(1), 21–42. https://
doi.org/10.1007/s10649-018-9819-2
Rands, K. (2009). Investigación matemática: más allá de la educación matemática elemental 'agregar-queers-y-revolver'.
Educación sexual, 9(2), 181–191. https://doi.org/10.1080/14681810902829646
Reardon, SF y Galindo, C. (2009). La brecha de rendimiento entre hispanos y blancos en matemáticas y lectura en los grados de
primaria. Diario de investigación educativa estadounidense, 46 (3), 853–891.
Rescorla, L. y Rosenthal, AS (2004). Crecimiento en los puntajes de las pruebas estandarizadas de habilidad y rendimiento del 3.° al
10.° grado. Revista de Psicología Educativa, 96(1), 85–96. https://doi.org/10.1037/0022-0663.96.1.85
Richards, C., Bouman, WP, Seal, L., Barker, MJ, Nieder, TO y T'Sjoen, G. (2016). Géneros no binarios o genderqueer. Revista
Internacional de Psiquiatría, 28(1), 95–102. https://doi.org/10.3109/09540261. 2015.1106446
Robinson, J. y Lubienski, S. (2011). El desarrollo de brechas de rendimiento de género en matemáticas y lectura durante la escuela
primaria y secundaria: examen de evaluaciones cognitivas directas y calificaciones de maestros. Diario de investigación
educativa estadounidense, 48 (2), 268–302. https://doi.org/10.3102/0002831210372249 Rutherford-Becker, KJ y Vanderwood,
ML (2009). Evaluación de la relación entre la alfabetización y las habilidades matemáticas según lo evaluado por medidas basadas
en el currículo. El psicólogo escolar de California, 14(1), 23–34. https://doi.org/10.1007/BF03340948 Sackett, PR, Borneman,
MJ y Connelly, BS (2009). Las respuestas a las cuestiones planteadas acerca de la validez, el sesgo y
equidad en las pruebas de alto riesgo. Psicólogo estadounidense, 64(4), 285–287.

Sarouphim, KM y Chartouny, M. (2017). Educación matemática en el Líbano: diferencias de género en actitudes y logros. Estudios
educativos en matemáticas, 94(1), 55–68. https://doi.org/10.1007/s10649-016-
9712-9
Saygin, PO (2020). Sesgo de género en pruebas estandarizadas: Evidencia de un sistema centralizado de admisiones universitarias.
Economía empírica, 59(2), 1037–1065. https://doi.org/10.1007/s00181-019-01662-z
Segool, NK, Carlson, JS, Goforth, AN, von der Embse, N. y Barterian, JA (2013). Mayor ansiedad ante los exámenes entre los niños
pequeños: las respuestas ansiosas de los estudiantes de primaria a los exámenes de alto riesgo.
Psicología en las Escuelas, 50(5), 489–499.
Shanley, L. (2016). Evaluación del crecimiento longitudinal del rendimiento en matemáticas: consideraciones de modelado y medición
para evaluar el progreso académico. Investigador educativo, 45(6), 347–357. https://doi.org/ 10.3102/0013189X16662461
Shin, T., Davison, ML, Long, JD, Chan, C. y Heistad, D. (2013). Explorar los logros en lectura y matemáticas entre estudiantes
regulares y excepcionales utilizando modelos de curva de crecimiento. Aprendizaje y diferencias individuales, 23(1), 92–100.
https://doi.org/10.1016/j.lindif.2012.10.002
Spencer, SJ, Logel, C. y Davies, PG (2016). La amenaza del estereotipo. Revisión anual de psicología, 67, 415–437.
https://doi.org/10.1146/annurev-psych-073115-103235
Stoet, G. y Geary, DC (2013). Las diferencias de sexo en el rendimiento en matemáticas y lectura están inversamente relacionadas:
Evaluación dentro y entre países de 10 años de datos de PISA. Plos One, 8(3), 1–10. https://doi.org/10. 1371/diario.pone.0057988
Stricker, L., Rock, D. y Bridgeman, B. (2015). Amenaza estereotipada, preguntando sobre la raza y el género de los examinados, y
el desempeño en pruebas de bajo riesgo en una evaluación a gran escala. Serie de informes de investigación de ETS, 1, 1–12.
https://doi.org/10.1002/ets2.12046
Sullivan, A. (2009). Autoconcepto académico, género y escolarización diferenciada. Revista de investigación educativa británica, 35
(2), 259–288.
Sullivan, A., Joshi, H. y Leonard, D. (2010). Escolarización de un solo sexo y logros académicos en la escuela ya lo largo de la vida.
Diario de investigación educativa estadounidense, 47 (1), 6–36.
Tartre, LA y Fennema, E. (1995). Rendimiento matemático y género: un estudio longitudinal de variables cognitivas y afectivas
seleccionadas [grados 6-12]. Estudios educativos en matemáticas, 28 (3), 199–217.
Thurber, RS, Shinn, MR y Smolkowski, K. (2002). ¿Qué se mide en las pruebas de matemáticas? Validez de constructo de las
medidas matemáticas basadas en el currículo. Revisión de psicología escolar, 31(4), 498–513. https://doi. org/
10.1080/02796015.2002.12086170
Centro Internacional de Estudios TIMSS & PIRLS. (2015). Informe de resultados internacionales TIMSS 2015. http://
timssandpirls.bc.edu/timss2015/international-results/download-center/ _ Wickrama, KAS, Lee, TK, O'Neal, CW y Lorenz, FO
(2016). Curvas de crecimiento de orden superior y modelado de mezclas con Mplus: una guía práctica. Routledge.
Wise, SL y DeMars, CE (2005). Bajo esfuerzo del examinado en la evaluación de bajo riesgo: problemas y posibles soluciones.
Evaluación educativa, 10(1), 1–17. https://doi.org/10.1207/s15326977ea1001_1 Wise, SL y DeMars, CE (2010). Examinado sin
esfuerzo y la validez de los resultados de evaluación del programa.
Evaluación educativa, 15, 27–41. https://doi.org/10.1080/10627191003673216
Zhu, J. y Chiu, MM (2019). Actividades tempranas de aritmética en el hogar y logros posteriores en matemáticas: aritmética temprana,
interés y autoeficacia como mediadores. Estudios educativos en matemáticas, 102 (2), 173–191. https://doi.org/10.1007/
s10649-019-09906-6 Zhu, Y., Kaiser, G. y Cai, J. (2018). Equidad de género en el rendimiento matemático: el caso de China.
Estudios Educativos en Matemáticas, 99(3), 245–260. https://doi.org/10.1007/s10649-018-9846-z Zwick, R. (2002).

¿Juego limpio?: El uso de pruebas de admisión estandarizadas en la educación superior. Routledge.
Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas
publicados y afiliaciones institucionales.

Perez Mejias Et Al. 2021 - A Longitudinal Study of The Gender Gap in Mathematics Achievement.

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Perez Mejias Et Al. 2021 - A Longitudinal Study of The Gender Gap in Mathematics Achievement.

Uploaded by

Copyright:

Available Formats

Machine Translated by Google

Estudios Educativos en Matemáticas (2021) 107:583–605

Un estudio longitudinal de la brecha de género en el

Aceptado: 21 de marzo de 2021/ Publicado en línea: 20 de

* Paulina Pérez Mejías

Dora Elías McAllister

584 Pérez Mejías P. et al.

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 585

2.1 Estudios longitudinales sobre diferencias de género en matemáticas

586 Pérez Mejías P. et al.

2.2 Teorías sobre las diferencias de género en el rendimiento matemático

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 587

2.3 Asociaciones entre matemáticas y rendimiento en lenguaje

588 Pérez Mejías P. et al.

2.4 Estudios chilenos sobre la brecha de género en matemáticas

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 589

3.1 Fuentes de datos

590 Pérez Mejías P. et al.

3.3.1 Puntajes de las pruebas de matemáticas

3.3.3 Promedio de calificaciones (GPA)

3.3.4 Puntajes de las pruebas de idioma

Las puntuaciones de las pruebas de lenguaje se transformaron en medidas estandarizadas (media = 0, SD = 1) y se

3.3.5 Tipo de escuela

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 591

Tabla 1 Resumen de estadísticos descriptivos de la muestra

Variables Hombre Femenino

3.4 Enfoque analítico

592 Pérez Mejías P. et al.

Pendiente 1 CS1m Pendiente 1 CS1f

Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas Matemáticas

Grado 4 Grado 8 Grado 10 Grado 12 Grado 4 Grado 8 Grado 10 Grado 12

E4 E8 E10 E12 E4 E8 E10 E12

3.5 Especificación del modelo

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 593

3.6 Manejo de datos faltantes

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 595

a Brecha de Género - Modelo Incondicional b Brecha de Género - Modelo Condicional

Femenino Mujer (CC) Masculino

Fig. 2 Brechas de género longitudinales para los modelos a incondicional y b condicional

la varianza debida al error de medición es bastante pequeña (Geiser, 2013).

comparación justa de estimaciones para ambos géneros, informamos los resultados de la

4.1 Modelo incondicional

Las trayectorias representadas en el panel A de la Fig. 2 demuestran la brecha de género en matemáticas

Los grupos se ampliaron con el tiempo.

más fuerte para los estudiantes varones.

596 Pérez Mejías P. et al.

4.2 Modelo condicional

4.3 Pruebas estadísticas de diferencias de género en matemáticas

Tabla 3 Diferencias de género entre medias y varianzas de los factores (mujeres-hombres)

Parámetro Estimar SE valor p Estimar SE valor p

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 597

598 Pérez Mejías P. et al.

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 599

6 Implicaciones para la práctica y estudios futuros

600 Pérez Mejías P. et al.

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 601

602 Pérez Mejías P. et al.

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 603

Educación Matemática, 50(4), 687–697. https://doi.org/10.1007/s11858-018-0939-z

604 Pérez Mejías P. et al.

Un estudio longitudinal de la brecha de género en el rendimiento en matemáticas:... 605

equidad en las pruebas de alto riesgo. Psicólogo estadounidense, 64(4), 285–287.

Estudios Educativos en Matemáticas, 99(3), 245–260. https://doi.org/10.1007/s10649-018-9846-z Zwick, R. (2002).