Recibido: 06-06-2019
| Revisado: 03-07-2019 | Aceptado: 30-09-2019 | Publicado: 01-05-2020 DOI:
https://doi.org/10.12795/pixelbit.73356
| Páginas 27-50
Cómo citar este artículo:
Soto-Ardila, L. M., Caballero Carrasco, A.,
Carvalho, J. L. & Casas García, L. M. (2020). Nuevo método de análisis
cualitativo mediante software para el análisis de redes sociales de la
percepción grupal hacia las Matemáticas. Pixel-Bit. Revista de Medios y
Educación. 58, 27-50. https://doi. org/10.12795/pixelbit.73356
RESUMEN |
ABSTRACT |
Utilizando el software para representación de redes
socia-les Gephi, fueron estudiadas las percepciones
hacia las Matemáticas y su enseñanza de un grupo de 196 estu-diantes
del grado de Educación Primaria, a los que se pidió que narraran su
experiencia como estudiantes. A partir de los textos obtenidos, se crearon,
de forma automatizada, representaciones en forma de redes de las categorías
de análisis halladas, destacando las más importantes y las interrelaciones
entre ellas. El análisis de las redes permitió identificar las concepciones y
sentimientos del grupo sobre las Matemáticas y sus expectativas como futuros maes-tros, en las que destacaron sus experiencias con
buenos y malos profesores. Se trata de una investigación novedosa en
investigación educativa, de la que existen pocos ante-cedentes
comparables, en la que se emplea el software de análisis de redes sociales
para el análisis de textos y la representación de grandes cantidades de datos
cualitati-vos. |
Using
the Gephi software to represent social networks,
perceptions to Mathematics and its teaching of a group of 196 students of the
Primary Education degree were stud-ied, who were
asked to narrate their experience as stu-dents.
From the texts obtained, representations in form of networks of the
categories of analysis found were created in an automated way, highlighting
the most important and the interrelationships between them. The analysis of
the networks allowed identifying the conceptions and feelings group's about
Mathematics and their expectations as future teachers, in which they
highlighted their experiences with good and bad teachers. This is a novel
research in educational research, of which there is little comparable
background, in which social network analysis software is used for text
analysis and the representation of large amounts of qualitative data. |
PALABRAS CLAVES |
KEYWORDS |
Percepciones ante las
Matemáticas y su enseñanza; Soft-ware para
representación de Redes Sociales; Representa-ción
del conocimiento; Análisis cualitativo de textos. |
Perceptions before Mathematics and its teaching; Soft-ware for
representation of Social Networks; Knowledge representation; Qualitative text
analysis. |
1.- Introducción
1.1.- Representación del
conocimiento
Planteado en términos sencillos, podemos decir que el objeto central de
la investigación en Educación es conocer cómo se
construye y cómo se transmite el conocimiento de las personas.
Los procesos de enseñanza y aprendizaje consisten, respectivamente, en
la transmisión y adquisición de una estructura de conocimientos, tanto de tipo
declarativo como procedimental (Jonassen, Beissner & Yacci, 1993), que refleja nuestra
concepción del mundo externo y nos permite la interacción con él. En esta
estructura se incluyen no sólo conceptos, sino también actitudes, que, apoyadas
en creencias y emociones, nos predisponen a actuar en una
determinada forma, de modo que condicionan la propia adquisición de nuevos
conceptos.
Sin estructura no habría conocimiento, pues no se podrían organizar
nuestras representaciones mentales ni acceder a ellas, de modo que la recuperación de los datos almacenados sería imposible. Por tanto, no es
suficiente conocer los componentes del conocimiento de un sujeto, sino que es
necesario igualmente conocer su organización, la relación que existe entre
ellos (Gonzalvo, Cañas & Bajo, 1994; Wilkerson-Jerde & Wilensky, 2011; Zezhong, Ming, Zhaohua & Yanqing, 2018).
Del mismo modo que nos referimos al conocimiento de un sujeto, la
investigación social ha puesto de manifiesto que existe un conocimiento grupal,
producto de más de un individuo, en el que hay conceptos
compartidos y, análogamente, actitudes sociales ante determinados temas, que
determinan una cultura, la forma en que se entiende e interpreta la realidad
por parte de un grupo social. Y si de lo que tratamos es de conocer el conocimiento de un grupo, es necesario saber no sólo cuáles son los
elementos que lo integran, sino también cuál es la conexión existente entre
ellos, su estructura.
Con el fin de conocer la estructura del conocimiento de un sujeto, se
han venido utilizando en investigación diferentes técnicas
entre las que podemos señalar la ordenación de tarjetas (Miller, 1969), la
asociación de palabras (Diekhoff, 1983) o el establecimiento por
parte del sujeto (Goldsmith, 1991; Jonassen, Beisner & Yacci, 1993).
Particularmente interesantes son las técnicas
basadas en la puntuación de similaridad. Entre ellas podemos señalar el
Análisis de Componentes Principales, el Análisis de Conglomerados, el
Escalamiento Multidimensional o las Redes Asociativas Pathfinder (Casas, 2002; Sarwar, 2011; Schvaneveldt, 1989). Permiten representar los
datos, proporcionando una visión integral y comprensiva de los mismos y, al
mismo tiempo, analizar en detalle cada una de sus partes. La bibliografía de
investigación en este ámbito es amplia (Cartolano, Casas, & Luengo, 2010; Casas
& Luengo, 2013; Chen & Song, 2017; Escobar, 2009;
Hassan-Montero, Guerrero-Bote & Moya-Anegón, 2014; Jiménez, Casas, &
Luengo, 2010; Moya-Anegón et al, 2004; Topalli, & Ivanaj, 2016).
Estas técnicas permiten conseguir una
representación gráfica de las relaciones entre conceptos a partir de la
puntuación numérica que el sujeto estima que corresponde a la similaridad entre ellos, transformando de esta
forma una distancia semántica en una distancia geométrica, lo cual permite mostrar su organización, representando las características
estructurales de un tema.
Estas técnicas se han aplicado también a la representación gráfica de
grandes volúmenes de datos, como puede ser el caso de los referidos a las redes
de cocitación mutua entre
autores, entre revistas científicas o entre temas de investigación tal como se
ejemplifica en la Figura 1.
Figura 1. Redes de cocitación de palabras clave. Fuente: Liberatore, 2015
También se están desarrollando, actualmente, trabajos en el ámbito de
la Sociología que tratan de representar, en forma de red, las relaciones entre
los sujetos de un grupo o las comunicaciones entre ellos (Abraham, 2010; Verd, 2005), tal como se muestra en la
Figura 2.
Figura 2. Red social. Fuente: elaboración propia.
Las técnicas empleadas en todos estos trabajos tienen en común el hecho
de que, para obtener las representaciones en forma de red, se utilizan
como datos los valores de la proximidad entre elementos, sean estos conceptos,
documentos o personas.
Estos valores de proximidad pueden ser asignados por distintos
procedimientos:
La proximidad puede ser asignada directamente
por un sujeto que evalúa la que considera que hay entre dos elementos,
mediante, por ejemplo, la posición de un cursor en una pantalla de ordenador,
tal como evidencia la Figura 3
Figura 3. Asignación de valores de proximidad entre imágenes. Fuente: Casas,
Luengo, Canchado y Torres, 2013.
El concepto de proximidad se utiliza también, para la representación de
redes sociales, cuando el valor de proximidad entre sujetos se calcula mediante
el número de ocasiones en que un sujeto se relaciona, por distintos medios, con
otros (Joy, 2010).
El valor de proximidad también puede ser
expresado en términos de cocitación, indicando el número de veces que
un documento o un autor citan a otros. Cuando un documento o un autor citan a
otros, es probable que todos estén relacionados por su contenido de forma que, a mayor número de citas, mayor será el valor de cocitación (Benavides-Velasco et al., 2013; Callon, Courtial, Turner & Bauin, 1983).
La proximidad también puede ser, por último, indicada en términos de
contingencia o coocurrencia (Callon et al., 1983),
entendiendo por tal la aparición simultánea de varias categorías en el análisis
cualitativo de un conjunto de documentos, como se hace en la técnica de
Análisis de Contingencias (Osgood, 1959, 2009). En esta técnica
partimos del postulado de que, a mayor número de textos en que
aparezcan a la vez las mismas categorías, mayor será el valor de contingencia o
coocurrencia y mayor su proximidad, lo que indicará una fuerte relación entre
ellos. Dos categorías que aparezcan a la vez en un mismo documento, por ejemplo, en un relato autobiográfico, estarán asociadas del mismo
modo en el pensamiento de quien lo ha producido, de forma que, a mayor número
de relatos en que tales categorías aparezcan asociadas, mayor valor de
proximidad tendrán en el pensamiento grupal de los sujetos que componen la
muestra de estudio (Ritzhaupt, Stewart, Smith, & Barron, 2010; Murgado-Armenteros, Gutiérrez-Salcedo,
Torres-Ruiz, & Cobo, 2015; Hernández-Linares, Sarkar & Cobo, 2018).
1.2.- Representación del
conocimiento grupal
Para obtener la representación del conocimiento de un grupo se vienen
utilizando diversas técnicas para la recogida de datos. Desde el paradigma
cuantitativo, se ha utilizado la técnica de encuesta;
mediante un cuestionario se interroga a los sujetos acerca de sus percepciones
sobre diversos temas. Los resultados se presentan de forma numérica, destacando
cuáles son dichas percepciones y cuáles son las de más frecuente aparición en
el grupo. Desde el paradigma cualitativo se ha intentado
llegar a un conocimiento más personal, más pormenorizado, de las raíces de los
temas planteados. Desde este paradigma se han empleado recursos como la
entrevista cualitativa, la observación participante o las técnicas narrativas, cuyos datos son posteriormente estudiados mediante
técnicas de Análisis de Contenido (Bardin, 1996; Colás, 1998; Krippendorff, 2004).
Desde la perspectiva de ambos paradigmas, se pueden conocer las
percepciones de las personas sobre un determinado
tema, pero, cuando se trata de recoger información de un número elevado de
personas, es necesario utilizar algún tipo de técnica que permita sintetizar y
representar la información de forma que puedan transmitirse claramente no
solamente los tópicos que aparecen más frecuentemente,
sino también la relación entre ellos.
En este sentido, las técnicas de representación del conocimiento
(Gonzalvo, Cañas, & Bajo, 1994; Schvaneveldt, 1989; Trumpower & Sarwar, 2010) y los programas
informáticos que las soportan, (Casas, Luengo, & Godinho, 2011; Godinho, Luengo, & Casas, 2007) pueden
proporcionar una gran ayuda, tal como la investigación sobre el tema ha
demostrado (Alzás, 2015; Casas, Luengo, Canchado,
& Torres, 2013; Casas, Luengo, Veríssimo, & Torres, 2011; Verissimo, Godinho, Casas & Luengo, 2017;
Vicente, Casas, & Luengo, 2010).
Estas técnicas no solamente pueden aplicarse para
extraer y representar el conocimiento de una persona, sino también de un grupo
de ellas (Azzarello, 2007; Cartolano et al., 2010; Clariana, Wallace
& Godshalk, 2009; Jiménez, Casas, &
Luengo, 2010;).
La combinación de las técnicas narrativas con técnicas informatizadas de representación del conocimiento puede ofrecer
una información muy rica acerca de las percepciones de un grupo y de la
representación que, sobre un tema concreto, tiene dicho grupo.
En la propuesta que se hace en este trabajo, se utiliza la técnica del Análisis de Contingencias (Osgood, 1959, 2009; Díaz Martínez, 2000)
y el programa Gephi para la representación de redes
sociales (Bastian, Heymann & Jacomy, 2009; Grandjean, 2013) con el fin
de obtener información sobre el conocimiento manifestado
en un grupo amplio de estudiantes acerca de su sus percepciones y sentimientos
sobre las matemáticas y su enseñanza – aprendizaje.
El objetivo de nuestra investigación guarda relación con lo que se ha
denominado en el campo de las Matemáticas como paradigma del pensamiento del
profesor.
En este campo se destacan dos amplios dominios: el Conocimiento de las
Matemáticas y el Conocimiento Didáctico del Contenido Matemático (Brown & Remesal, 2012; Climent, Romero, Carrillo,
Muñoz & Contreras, 2013). El Conocimiento de las
Matemáticas se refiere al conocimiento de los temas, de la estructura y la
práctica matemática y a la filosofía personal que sobre las matemáticas tienen
los profesores, a su concepción sobre la naturaleza de las matemáticas como disciplina y sus objetivos (Beswick, 2012; Ernest, 2016). En cambio, el
Conocimiento Didáctico del Contenido se refiere al conocimiento de la enseñanza
de las matemáticas y al conocimiento de las características del aprendizaje de
las matemáticas (Gil & Rico, 2003; Hidalgo & Murillo,
2017; Philipp, 2007).
Ambos dominios incluyen las metas que los profesores consideran
deseables en la enseñanza de las Matemáticas, su papel y el de los alumnos, las
actividades apropiadas de la clase, los modelos pedagógicos, los procedimientos utilizados y la evaluación de los resultados del
proceso, y constituyen las concepciones del profesor sobre la enseñanza de las
matemáticas (Thompson, 1992).
En el campo de los estudios sobre concepciones y creencias docentes
sobre la enseñanza de las matemáticas se ha
generado una amplia investigación que ha proporcionado información sobre las
grandes cifras y ha ayudado a conocer, en sus principales líneas, la realidad
del fenómeno. Sin embargo, en pocos de ellos se ha hecho referencia a los aspectos personales o a la experiencia compartida por los
grupos, que pueden ser el origen de los resultados en la enseñanza y
aprendizaje de las matemáticas.
En nuestra opinión, se hace imprescindible aproximarse a la percepción
que en los grupos de estudiantes para Maestro se tiene del
tema. No basta con los grandes números, sino que es necesario conocer las
percepciones personales, y, sobre todo, las percepciones compartidas por el
grupo. En esta labor no es suficiente con las metodologías de investigación empleadas hasta ahora y, en este sentido, se hace la
presente propuesta de investigación.
El objetivo de esta investigación es conocer las manifestaciones que
presenta un grupo amplio de estudiantes para maestro con respecto a qué son las
matemáticas, qué experiencias recuerdan como estudiantes y qué expectativas
manifiestan como futuros profesores.
Pero, como hemos indicado anteriormente, deseamos conocer las
manifestaciones más personales, expresadas en un relato libremente elaborado y,
además, deseamos obtener una representación comprensiva de los datos
obtenidos en un gran grupo. Consideramos que el método que proponemos puede
responder a estos objetivos.
2.- Metodología
Esta investigación se desarrolla a través de un
diseño no experimental o Ex – post – facto mediante un estudio descriptivo de
naturaleza cualitativa, realizado desde el punto de vista biográfico. Para la
recogida de datos se ha utilizado la técnica del relato (Bardín, 1996), entendiendo por tal una
narración en torno a acontecimientos personales utilizada para establecer
inferencias sobre un grupo de referencia (Colás, 1998).
Se ha utilizado una combinación de técnicas de análisis aprovechando
las posibilidades que ofrecen los programas de Análisis
Cualitativo y los programas de representación de Redes para conseguir de forma
automatizada una representación gráfica de las relaciones entre las categorías
encontradas en narraciones producidas por un grupo de estudiantes para maestro acerca de sus percepciones y sentimientos hacia las
matemáticas y su enseñanza.
De este modo, se consiguió no sólo la identificación de las categorías
más frecuentes, sino también destacar cuáles eran las más importantes y la
relación entre todas o una parte de ellas.
Consideramos que esta propuesta complementa el Análisis del Contenido clásico y
supera el simple recuento de categorías.
2.1.- Muestra y método de recogida de datos
Los datos para este estudio fueron obtenidos de los relatos escritos
que proporcionaron 196 estudian-tes para Maestro de 2º curso del Grado en
Educación Primaria (de la Universidad de Extremadura), a los que se pidió que
describieran su experiencia mediante las siguientes instrucciones:
“Cuándo escucha el término Matemáticas, ¿qué piensa? ¿Las matemáticas
tienen presencia en nuestro entorno? ¿Me puede dar un ejemplo?
Por favor, responda brevemente a las cuestiones, expresando sus
sentimientos (positivos o negativos) hacia las matemáticas
y sus ideas sobre las matemáticas.”
Los datos fueron recogidos en el programa webQDA (Neri de Souza, Costa &
Moreira, 2011). Es un programa comercial, disponible en
https://www.webqda.net/. El análisis de contenido mediante
la lectura realizada a los relatos permitió definir las dimensiones y
categorías, que se fueron obteniendo de una forma inductiva y de común acuerdo
entre los investigadores.
El programa ofrece la funcionalidad de obtener Matrices
Triangulares que representan los datos de contingencia entre las distintas
categorías, en forma de matriz de proximidad.
En términos sencillos, esta opción se basa en lo siguiente: si tenemos
varias fuentes textuales (texto1, texto2, texto3, ...) éstas se
codifican en base a determinadas categorías (c01, c02, c03, ...). Supongamos
que las categorías c01 y c02 aparecen a la vez en el texto1. Esto significa que
hay una relación de contingencia entre ellas, a la que atribuimos el valor de proximidad 1. Supongamos ahora que esa misma relación se
presenta también en el texto2 y en el texto3. Esto puede interpretarse como un
valor de proximidad más fuerte, porque se manifiesta en diferentes documentos.
A esta relación le atribuimos entonces el valor 3.
Supongamos también que las categorías c01 y c03 aparecen de forma
simultánea en cinco documentos: texto1, texto3, texto4, texto5 y texto6. A esta
relación le atribuiremos, pues, el valor de proximidad 5. Supongamos por último
que las categorías c05 y c08 aparecen de forma
simultánea en los documentos texto2, texto4, texto7 y texto10. A esta relación
le atribuiremos el valor de proximidad 4. La presentación de estos datos se
hace habitualmente en forma de matriz.
Los datos de esta matriz se pueden adaptar posteriormente a un
formato legible por el programa Gephi. Se trata de un software de código
abierto para análisis de gráficos y redes, útil para mostrar grandes redes en
tiempo real y explorarlas de forma interactiva. Está disponible en https://gephi.org/
Para utilizar el programa, en primer lugar, se crearon dos ficheros. En
el primero fueron incluidos los que serían posteriormente los nodos de la red,
en nuestro caso las categorías identificadas en el análisis de contenido. En el
segundo fichero se indicaron las relaciones entre
los nodos, expresadas mediante sus valores de proximidad, obtenidos de la
matriz de contingencia. En este fichero se señala-ron los nodos de origen y
destino, el peso del enlace y su tipo, que, en este caso, fue no dirigido, por tratarse de enlaces bidireccionales.
Una vez creados estos ficheros, se importaron a un nuevo proyecto en el
programa. Utilizando uno de los algoritmos disponibles, en este caso el “Force Atlas”, fueron representadas las
relaciones entre los nodos. El resultado final fue
obtenido mediante las opciones “Modularidad”, “Aristas” y “Ranking”, lo que
permitió visualizar los nodos más importantes, así como las relaciones más
destacadas entre ellos.
3.- Análisis y resultados
Tras proceder a la categorización de los textos por parte de dos
investigadores, se calculó el grado de acuerdo entre ellos, mediante la
revisión de 60 textos elegidos al azar, obteniéndose una medida de acuerdo
Kappa de Cohen de 0,857, que puede considerarse como casi perfecta (Landis & Koch, 1977).
Fueron identificadas 15 categorías de análisis presentes en las
narraciones obtenidas, encuadradas a su vez en 5 dimensiones, tal como se
muestra en la Tabla 1, a continuación.
3.1- Análisis y resultados
En el análisis de los resultados se consideran, en primer lugar, todos
los ítems de las escalas (Escala Total) y en segundo lugar, cada escala
individualmente: E1. Escala Expresiva;
E2. Escala Perceptiva; E3. Escala Técnica y E4. Escala Pedagógica. Los
datos obtenidos en las tablas 1 y 2 muestran unos valores significativos en
todas las escalas, así como cuando se analizan todos los ítems como una sola
escala de medida. Así pues, los estadísticos del Análisis de Concordancia de Atributos nos permiten afirmar que existe una concordancia entre
las puntuaciones otorgadas por los diferentes jueces, es decir, están
concediendo los mismos estándares al asignar las puntuaciones a los ítems. Ello
ha permitido establecer una batería final de ítems eliminando aquellos
que no superaron puntuaciones altas (valores 3 y 4) en todas las valoraciones
de los jueces.
Tabla 1.
Dimensiones y categorías de análisis.
Dimensiones |
Categorías |
Concepto de
Matemáticas |
Matemáticas:
números, problemas, cálculos, figuras, etc. |
Matemáticas:
ciencia, lógica y pensamiento |
|
Matemáticas:
asignatura de estudio. |
|
Utilidad de
las Matemáticas |
Matemáticas
explícitas para actividades básicas |
Matemáticas
implícitas en todo |
|
Matemáticas
inútiles |
|
Sensaciones
y actitudes |
Sensaciones
positivas |
Sensaciones
negativas |
|
Sensaciones
de indiferencia |
|
Recuerdos
de profesores |
Buenos
profesores |
Malos
profesores |
|
Profesores
de primaria. |
|
Profesores
de secundaria. |
|
Expectativas
futuras |
Preocupación
por aprender para enseñar mejor. |
Matemáticas
interesantes, me gustaría saber más. |
Algunas expresiones que caracterizan a estas categorías son, por
ejemplo, las siguientes:
•
Matemáticas: números, problemas,
cálculos, figuras, etc.
“Al escuchar esta palabra, lo
primero que se me viene a la cabeza son números, problemas, fórmulas o
teoremas.”
“Cuando escucho el término matemáticas lo primero que se me viene a la cabeza son números,
cuentas, cálculos, resolver problemas…”
•
Matemáticas: ciencia, lógica y
pensamiento
“Considero que es una poderosa herramienta hacia otras áreas como
ciencias Físicas, Químicas, Económicas…”
“…
constituyen un elemento insustituible de formación en el rigor, formalismo y
razonamiento.”
•
Matemáticas inútiles:
“He de decir que hay ciertas cosas que se explican en esta asignatura
que no me parecen necesarias, ya que únicamente lo utilizas en el momento en el que lo estas aprendiendo y al final estos conocimientos se te
acaban olvidando.”
“Las matemáticas que se enseñan son demasiado complejas y no te sirven
en tu día a día…”
•
Sensaciones positivas:
“Las sensaciones que me produce son buenas ya que no se me dan mal…”
“… cuando las entiendes pueden llegar a ser muy interesantes y
entretenidas.”
•
Sensaciones negativas:
“Mi experiencia con las matemáticas ha sido bastante complicada y
dura…”
“Cuando escucho el término matemáticas se me viene a la mente frustración, agobio…”
•
Buenos profesores:
“En la etapa de primaria, mi maestro me despertó la curiosidad, lo
hacía ver tan divertido que se nos contagió a todos los niños.”
“En 3° y 4° de la ESO y en bachillerato la profesora de matemáticas era
un auténtico genio, sabía muchísimos de la asignatura y
se le notaba que disfrutaba haciendo matemáticas.”
•
Malos profesores:
“… debido a que mis profesores nunca consiguieron que me entusiasmaran,
por lo que se convirtió más en una obligación estudiarlas que en una necesidad.”
“… una profesora en 1º de bachillerato, me hizo sentirme totalmente
nula en la asignatura, sin ningún tipo de ayuda o atención.”
La frecuencia de aparición de cada una de estas categorías se muestra
en la Figura 4.
Figura 4. Frecuencia de aparición de las
categorías de análisis
Como podemos observar, en la
mayoría de los relatos de los participantes, las Matemáticas son, ante todo,
una ciencia de números y problemas y, en menor medida,
una ciencia o una materia escolar que sirve para desarrollar el pensamiento.
Las Matemáticas aparecen, ante todo, como algo implicado en actividades
básicas, de la vida diaria en la que se utilizan cálculos sencillos, aunque, a pesar de estar presentes en muy distintos aspectos,
también hay referencias a la inutilidad de las Matemáticas que han aprendido.
Destacan también las referencias a
sensaciones positivas y, en mayor medida, negativas, asociadas con su enseñanza y aprendizaje. En muy pocos casos los alumnos se muestran
indiferentes.
Los alumnos recuerdan en sus
relatos a buenos y malos profesores, profesores de primaria y de se-cundaria.
Por último, muestran su
preocupación y su deseo de aprender más para enseñar
mejor.
Pero la técnica empleada, como
indicamos anteriormente, puede proporcionar, además de la simple frecuencia de
aparición de las categorías, información acerca de la interrelación entre
ellas.
La matriz triangular obtenida,
mostrada en formato Excel, se presenta en la Figura 5,
correspondiente a una matriz triangular inferior.
Figura 5. Matriz triangular. Fuente:
elaboración propia
Los datos de esta matriz fueron
transformados al formato requerido por el programa Gephi, obteniendo un fichero de nodos y
otro de enlaces, tal como se muestra en la Figura 6.
Figura 6. Ficheros
de nodos y aristas. Fuente: Elaboración propia
En el primer fichero aparecen las
categorías encontradas y, en el segundo, sus valores de proximidad.
A partir de estos datos, utilizando
el algoritmo “Force Atlas”, uno de los posibles, se
creó una primera representación. Utilizando la
opción “Modularidad” del programa, con valor 0.8, se identificaron los grupos
de categorías más estrechamente relacionados. Utilizando la opción “Filtros”,
indicando como filtro el valor 5,2 del peso de arista, fueron seleccionados los enlaces más importantes. De este modo se obtuvo la
representación en forma de red mostrada en la Figura 7.
Figura 7. Red general. Fuente: elaboración
propia
En esta Red se pueden observar,
representados con distintos colores, dos grupos de categorías.
En el primer grupo, se encuentran
las categorías relacionadas con la concepción que tienen los alum-nos sobre
lo que son las matemáticas: matemáticas como números utilizados para
actividades básicas, matemáticas como ciencia y lógica, pero también
matemáticas inútiles.
En el segundo grupo se presentan las categorías relacionadas con su experiencia como
estudiantes y su relación con buenos o malos profesores, pero también sus
expectativas como futuros maestros y las sensaciones positivas y negativas
asociadas a su experiencia como estudiantes.
Entre
todas estas categorías se distinguen, por su posición más céntrica dentro de la
figura, las mismas que anteriormente se identificaron como más frecuentes,
mientras que las categorías con menor frecuencia de aparición aparecen en las
zonas periféricas.
De este modo, podemos observar en
la figura, a nivel global, que la disposición de los nodos representa, de una
forma muy aproximada, la importancia y frecuencia de aparición de las
categorías presentes en los relatos de los participantes.
También podemos analizar no sólo una red en su totalidad, sino también aspectos
parciales de las relaciones entre las categorías, ofreciéndonos, no sólo una
visión de conjunto, sino una visión en detalle tan precisa como sea necesaria.
Por ejemplo, en cuanto a los profesores de secundaria, aparecen relacionados tanto con los buenos como con
los malos profesores, mientras que, en el caso de los profesores de primaria,
predomina la relación con la categoría “buenos profesores”. En el caso de
categorías como “Aprender para enseñar mejor” aparece relacionada
con las sensaciones positivas experimentadas como estudiantes, con la necesidad
de enseñar matemáticas básicas, pero también con el recuerdo de malos
profesores.
También podemos observar cómo la
categoría de sensaciones de indiferencia ante las Matemáticas
aparece aislada de las demás, lo que parece indicar que predominan los
sentimientos.
El procedimiento propuesto nos
permite, por tanto, obtener, de forma automatizada, una representación gráfica
de las relaciones encontradas, con mayor o menor detalle,
entre las categorías.
Si en los ficheros de nodos y
aristas utilizamos solamente algunos de ellos, seleccionando, por ejemplo, tan
sólo los relacionados con los profesores y las sensaciones, obtendríamos la
siguiente red (Figura 8):
Figura 8. Red reducida. Fuente: elaboración
propia
De nuevo, se pueden observar las relaciones más importantes, pero en una red más sencilla, centrada tan
sólo en algunas categorías.
4.- Conclusiones y Discusión
Las redes obtenidas nos han
permitido conocer, de manera no invasiva y sin limitar las posibles respuestas,
no sólo el pensamiento manifiesto de los individuos, algo que puede conseguirse
mediante una simple encuesta, sino el pensamiento “latente” de un grupo
amplio de estudiantes para Maestro.
En la red detallada anteriormente
aparecen las categorías más importantes, que son las más centrales, no sólo por
su frecuencia de aparición, sino por la relación que mantienen con el
resto de categorías.
Se puede observar cómo aparecen de
forma espontánea sensaciones positivas y negativas en cuanto a las matemáticas
y su enseñanza, cómo estas sensaciones se asocian, sobre todo con sus
experiencias anteriores, con buenos o malos profesores,
e incluso, cómo esas sensaciones se asocian también con el deseo de enseñar
mejor las matemáticas.
Los objetivos y metodología del
presente trabajo están en la misma línea del realizado por Casas, Carvalho,
González y Luengo (2015) que utilizaron las Redes
Asociativas Pathfinder para conocer las concepciones que sobre las Matemáticas y su enseñanza
– aprendizaje tienen un grupo de profesores en formación. A nivel metodológico
los resultados son similares, ya que destacan la
utilidad de las técnicas de representación del conocimiento para lograr los
objetivos propuestos.
El hecho de utilizar este tipo de
técnicas enriquece mucho las investigaciones, puesto que combina el análisis
cualitativo, con el de contingencia o coocurrencia
y con el estudio de las redes sociales. Estos métodos se utilizan de forma
conjunta y complementaria, algo que aparece escasamente reflejado en la
literatura científica.
Como hemos podido comprobar, la
técnica empleada nos ha permitido conocer las manifestaciones
de los participantes con respecto a sus experiencias y expectativas como
estudiantes y como futuros maestros. Igualmente, nos ha permitido conocerlas
mediante un método que podemos considerar como no invasivo en el sentido de que
las respuestas de los participantes han estado
basadas en un relato libre y espontáneo, sin seleccionar previamente, por parte
del investigador las posibles respuestas como sucede con los cuestionarios.
Complementa, además, la
presentación de datos en la metodología cualitativa, que, en muchas
ocasiones, se limita a la presentación y recuento de las categorías de análisis
encontradas, ya que de este modo se obtiene, de forma automatizada, una
representación gráfica en forma de redes de las relaciones existentes entre ellas. Esto nos permite ver cómo se estructuran las categorías y cómo
se relacionan entre sí, observando cuáles son las principales y el lugar que
ocupan en relación con las demás
Consideramos que este trabajo puede
suponer una interesante aportación a los métodos de análisis cualitativo de
datos, aprovechando la potencia de los programas de representación gráfica en
cuanto a sus posibilidades de comunicar información de forma visualmente
atractiva, manejando, además, grandes cantidades de datos.
La técnica
puede aplicarse a muy distintos campos, ofreciendo nuevas posibilidades de
análisis de datos, como puede consultarse en los trabajos de Alzas (2015), en
el que se analizan los motivos por los que los alumnos abandonan la
escolaridad, y los motivos por los que vuelven a incorporarse a ella,
en los trabajos de Díaz Martínez (1992, 2000) sobre autopercepción de
estudiantes, o los Benavides y otros (2013) sobre conceptos relacionados con la
empresa. Esta técnica permite, además,
analizar la percepción de profesores y alumnos sobre determinados
temas relacionados con la enseñanza de as-pectos sobre las matemáticas como se muestra en el estudio de Ramos, Casas y
Torres (2019), en el que se investigan cuáles son las principales dificultades
que encuentran los profesores al abordar el bloque de
Álgebra en el aula.
En definitiva, consideramos que
supone un enfoque innovador, que integra las técnicas clásicas de análisis
cualitativo, y que puede tener un amplio desarrollo en numerosas áreas de
investigación.
Financiación
Investigación realizada con
financiación de Fondos FEDER. Unión Europea y Gobierno de Extre-madura. Proyecto GR18115, ayudas
para la realización de actividades de investigación y desarrollo tecnológico,
de divulgación y de transferencia de conocimiento
por los grupos de investigación de Extremadura.
Referencias
Abraham, A., Hassanien, A. & Snasel, V. (Eds.) (2010).
Computational Social Network Analysis. Trends, Tools and Research
Advances. London: Springer.
Alzás, T. (2015). Causas de abandono temprano y de
retorno a la Educación. Análisis sociológico desde una perspectiva de género. (Tesis Doctoral). Universidad de Extremadura. Badajoz.
Azzarello, J. (2007). Use of the pathfinder scaling
algorithm to measure students’ structural knowledge of community health
nursing. Journal of Nursing Education, 46(7),
313-318.
Bardín, L.
(1996). El análisis de contenido. Madrid: Akal.
Bastian, M., Heymann, S.
& Jacomy, M. (2009). Gephi: an
open source software for exploring and manipulating net-works. International AAAI Conference on Weblogs and Social Media. Disponible en https://cutt.ly/ieba1M4
Benavides-Velasco, C. A.,
Quintana-García, C., & Guzmán-Parra, V. F. (2013). Trends
in family business research. Small Business Economics, 40(1),
41–57. https://doi.org/10.1007/s11187-011-9362-3
Beswick, K. (2012). Teachers’ beliefs about school mathematics and
mathematicians’ mathematics and their relationship to practice. Educational
Studies in Mathematics, 79(1),
127–147. https://doi.org/10.1007/s10649-011-9333-2
Brown, G., & Remesal, A.
(2012). Prospective Teachers’ Conceptions of Assessment: A Cross-Cultural
Comparison. The Spanish Journal of Psychology, 15(1),
75 - 89. https://doi.org/10.5209/rev_SJOP.2012.v15.n1.37286
Callon, M.,
Courtial, J.
P., Turner, W. A. & Bauin, S.
(1983). From translations to problematic networks: An introduction to co-word
analysis. Information (International Social Science Council), 22(2), 191–235. https://doi.org/10.1177/053901883022002003
Cartolano, C., Casas, L. & Luengo, R. (2010). Representación del conocimiento en profesores sobre el uso de las TIC. Estudio cualitativo. I Encontro Internacional Tic e Educaçao TicEDUCA 2010. Lisboa.
Carvalho, J. L., Luengo, R. &
Casas, L. (2011). Knowledge Of The Cognitive Structure Of
Students Through Pathfinder Associative Networks Technique In The Context Of Pmate. International Conference The Future of Education. Florencia.
Casas,
L. (2002). El estudio de la estructura
cognitiva de alumnos a través de Redes Asociativas Pathfinder. Aplicaciones y posibilidades en
geometría. (Tesis Doctoral). Universidad de
Extremadura. Badajoz.
Casas, L., Carvalho, J., González,
M., & Luengo, R. (2015). Concepciones y creencias de los
profesores en formación sobre las matemáticas y su enseñanza aprendizaje.
Propuesta de nueva metodología cualitativa. Campo Abierto, 34(2), 85 - 104.
Casas, L. & Luengo, R. (2013). The
study of the pupil’s cognitive structure: the concept of angle.
European Journal of Psychology of
Education, 28(2),
373 - 398. https://doi.org/10.1007/s10212-012-0119-4
Casas, L.; Luengo, R. & Godinho, V. (2011). Software MICROGOLUCA: Knowledge
Representation in Mental Calculation. US-China Education Review, 1(4), 592-600.
Casas, L., Luengo, R., Canchado, M.
& Torres, J. L. (2013). Una experiencia de representación del conocimiento
en Educación Infantil mediante el uso de Redes Asociativas Pathfinder. RED: Revista de Educación a Distancia, 36, 1-17.
Chen C. & Song M. (2017). Representing
Scientific Knowledge. London: Springer.
Clariana, R.
B., Wallace, P. E. & Godshalk, V. M. (2009). Deriving and measuring group knowledge structure from
essays: The effects of anaphoric reference. Educational
Technology Research and Development, 57, 725–737. https://doi.org/10.1007/s11423-009-9115-z
Climent, N.,
Romero, J., Carrillo, J., Muñoz-Catalán, M. & Contreras, L. (2013). ¿Qué conocimientos y concepciones movilizan futuros maestros analizando
un vídeo de aula? Revista Latinoamericana de
Investigación en Matemática Educativa, 16(1), 13-36.
Colás, M. (1998). Enfoques en la Metodología Cualitativa:
Sus prácticas de investigación. En L. Buendía, Colas, P. & Hernández, F. Métodos de Investigación en psicopedagogía. (pp. 205- 223). Madrid: Mc Graw Hill.,
Delgado, J. & Gutiérrez, J. (Coords.) (1995). Métodos y técnicas cualitativas de
investigación en ciencias sociales. Madrid: Síntesis.
Díaz Martínez, C. (1992). Modelos
de autopercepción entre alumnos de 8º de EGB. Revista de Educación, 297, 293-305.
Díaz Martínez, C. (2000). El
análisis sociosemántico en la psicología social: una propuesta
teórica y una técnica para su aplicación. Psicothema, 12(3)
451-457.
Diekhoff, G.
M. (1983). Testing through relationship judgments. Journal
of Educational Psychology, 75(2),
227–233. http://dx.doi.org/10.1037/0022-0663.75.2.227
Ernest, P. (2016). An Overview of the Philosophy of
Mathematics Education. En P.
Ernest, O. Skovsmose, J. Bendegen, M. Bicudo, R. Miarka, L. Kvasz
& R. Moeller, The Philosophy of Mathematics Education (pp.
3-8). Hamburg: Springer Open.
Escobar, M. (2009). Redes
semánticas en textos periodísticos: propuestas técnicas
para su representación. Empiria. Revista de Metodología de Ciencias
Sociales, 17, 13-39.
Gil, F. & Rico, L. (2003).
Concepciones y Creencias del Profesorado de Secundaria sobre Enseñanza y
Aprendizaje de las Matemáticas. Enseñanza de las Ciencias, 21(1), 27 - 47.
Godinho, V., Luengo, R. & Casas, L. M. (2007). Software
GOLUCA: Knowledge Representation in Mental Calculation. US-China Education Review, 4, 592-600.
González Serrano, M. (2014). Concepciones y creencias de maestros en formación sobre las
Matemáticas y su proceso de enseñanza-aprendizaje. (Trabajo Fin de Máster). Universidad de Extremadura, Badajoz.
Gonzalvo, P., Cañas, J. J. &
Bajo, M. T. (1994) Structural representations in knowledge acquisition. Journal of Educational Psychology, 86,
601-616. http://dx.doi.org/10.1037/0022-0663.86.4.601
Goldsmith, T. y otros.
(1991) Assessing Structural Knowledge. Journal of Educational Psychology, 83,
88-96. http://dx.doi.org/10.1037/0022-0663.83.1.88
Grandjean, M.
(2013). Introduction to Network Visualization
with GEPHI. Martin Grandjean. https://cutt.ly/tebazRG
Hassan-Montero, Y., Guerrero-Bote, V.
P. & De-Moya-Anegón, F.
(2014) Graphical interface of the SCImago
Journal and Country Rank: An interactive approach to accessing
bibliometric information. El profesional de la información, 23(3), 1-7.
Hernández-Linares, R., Sarkar, S. & Cobo, M. J. (2018). Inspecting the Achilles heel: a
quantitative analysis of 50 years of family business definitions. Scientometrics, 115(2), 929-951. https://doi.org/10.1007/s11192-018-2702-1
Hidalgo, N. & Murillo, F.
(2017). Las Concepciones sobre el Proceso de Evaluación del Aprendizaje de los
Estudiantes. REICE. Revista Iberoamericana sobre
Calidad, Eficacia y Cambio en Educación, 15(1), 107 - 128. http://dx.doi.org/10.15366/reice2017.15.1.007
INEE. (2012). TEDS-M, Estudio Internacional sobre la formación inicial en matemáticas de los
maestros. Informe Español. Madrid: MECD.
Jiménez, M., Casas, L. &
Luengo, R. (2010). Representación del conocimiento y
percepción subjetiva del proceso de aprendizaje profesional: estudio
cualitativo en personal de enfermería. FEM. Revista de la Fundación Educación Médica, 13(3), 163-170.
Jonassen, D. H., Beissner, K. & Yacci, M. (1993). Structural knowledge: Techniques for
representing, conveying, and acquiring structural knowledge.
Hillsdale, NJ, US: Lawrence Erlbaum Associates, Inc.
Joy, L. (2010) Using Netvizz
& Gephi to
Analyze a Facebook Network. Persuasion radio. https://cutt.ly/Rw78N2B
Krippendorff, K.
(2004). Content Analysis: An Introduction to Its
Methodology. Thousand Oaks, CA: Sage.
Landis, J. R. & Koch, G.G. (1977) An application of hierarchical
kappa-type statistics in the assessment of majority agreement among multiple observers. Biometrics, 33(2), 363-374.
Liberatore, G. (2015) Análisis bibliométrico de la
producción científica en bibliotecología y ciencia de la información en Brasil
en el periodo 2000-2011: estudio de cuatro revistas nacionales de la disciplina. (Tesis Doctoral). Universidad
Carlos III, Madrid.
Miller, G. A. (1969) A psychological method to investigate verbal
concepts. Journal of Mathematical Psychology, 6(2),
169-191. http://dx.doi.org/10.1016/0022-2496(69)90001-7
Moya-Anegón, F., Vargas-Quesada, B.,
Herrero-Solana, V., Chinchilla-Rodríguez, Z., Corera-Álvarez, E. & Muñoz-Fernández,
F. J. (2004). A new technique for building maps of
large scientific domains based on the cocitation of classes and categories. Scientometrics, 61(1),
129-145. https://doi.org/10.1023/B:SCIE.0000037368.31217.34
Murgado-Armenteros, E. M., Gutiérrez-Salcedo, M., Torres-Ruiz, F. J. &
Cobo, M. J. (2015). Analysing the
conceptual evolution of qualitative marketing research through science mapping
analysis. Scientometrics, 102(1), 519–557. https://doi.org/10.1007/s11192-014-1443-z
Navarro, P. & Díaz, C. (1995).
Análisis de contenido. En Delgado, J. y Gutiérrez, J. (Coords.) Métodos y técnicas cualitativas de investigación en ciencias sociales. (pp. 177- 222). Madrid: Síntesis.
Neri de Souza, Costa & Moreira
(2011). Questionamento no Processo de Análise de Dados Qualitativos com apoio do software WebQDA. EDUSER: Revista
de Educação, 3(1),
19-30.
Osgood, C. E. (1959). The representation model and relevant research methods. En I.
De Sola Pool (ed.) Trends in Content Analysis.
Urbana, IL: University of Illinois Press.
Osgood, C. E. (2009). Contingency Analysis: Validating Evidence and
Process. En Krippendorff, K.
& Bock, M. A. (eds.) The Content Analysis Reader. Los Angeles: Sage.
Phillip, R. A. (2007). Mathematics teachers’ beliefs and affect. En F.
Lester (Ed.), Second handbook of research on
mathematics teaching and learning (pp. 257–315). Reston, VA: National
Council of Teachers of Mathematics.
Ramos, L. A., Casas, L. M. & Torres, J. L.
(2019). Análisis de Contingencias y Redes
Asociativas Pathfinder: herramientas para un estudio cualitativo de las dificultades en la
enseñanza del Álgebra. Indagatio Didáctica, 11(3), 197-217.
Ritzhaupt, A.,
Stewart, M., Smith, P. & Barron A. (2010) An
Investigation of Distance Education in North American Research Literature Using
Co-word Analysis. International Review of Research in
Open and Distance Learning, 11(1),
37-60.
Sarwar, G. S. (2011). Structural assessment of knowledge for misconceptions: Effectiveness of structural feedback
provided by pathfinder networks in the domain of physics.
Koln, Germany: LAP Lambert Academic Publishing.
Schvaneveldt, R.
(1989). Pathfinder Associative Networks. Studies
in Knowledge Organization. New
Jersey, NJ: Ablex.
Thompson, A. G. (1992). Teachers’ beliefs and conceptions: A synthesis
of the research. En D.
A. Grouws
(Ed.), Handbook of research on mathematics
teaching and learning (pp. 127–146). New York: Macmillan
Topalli, M.
& Ivanaj, S.
(2016). Mapping the evolution of the impact of economic transition on Central
and Eastern European enterprises: A coword
analysis. Journal of World Business, 51(5),
744–759. https://doi.org/10.1016/j.jwb.2016.06.003
Trumpower, D.
L. & Sarwar, G. S. (2010). Effectiveness of
structural feedback provided by Pathfinder networks. Journal of Educational Computing Research, 43(1), 7–24. https://doi.org/10.2190/EC.43.1.b
Verd, J. M. (2005) El uso de la Teoría de Redes Sociales en la representación y análisis de textos. De las redes semánticas a las redes
textuales. Empiria. Revista de metodología de Ciencias
Sociales, 10, 129-150.
Verissimo, S.,
Godinho, V.,
Casas, L. & Luengo, R.
(2017) Evaluation of Changes in Cognitive Structures after the Learning Process in Mathematics. International
Journal of Innovation in Science and Mathematics Education, 25(2),
17 - 33.
Vicente, S., Casas, L. & Luengo, R.
(2010). Evaluación del empleo educativo de
los blogs en el aula mediante la utilización de los programas
informáticos Goluca y GestMagister. Memorias del I Encontro Internacional TIC e Eduçao, 579-586.
Wilkerson-Jerde, M.
& Wilensky, U. (2011). How do Mathematicians Learn Math?: Resources and
Acts for Constructing and Understanding Mathematics. Educational
Studies in Mathematics, 78, 21-43. https://doi.org/10.1007/s10649-011-9306-5
Zezhong Y.,
Ming, Z., Zhaohua Q.
& Yanqing Z. (2018) Research on Organization of Mathematics Knowledge in
Good Mathematical Cognitive Structure. EURASIA Journal
of Mathematics, Science and Technology Education, 14(1),
291-302. https://doi.org/10.12973/ejmste/78242