Diseño y Desarrollo de un Instrumento para Valorar el Ambiente de Clases de Nn.tt.

DISEÑ O Y DESARROLLO DE UN INSTRUMENTO PARA VALORAR EL AMBIENTE DE CLASES DE NN.TT.() Carlos Hervás Gómez Josefa Martín Nogales Resumen Esta investigació n trata de elaborar y validar un instrumento de Ambiente de Clases de Nuevas Tecnologías a una muestra de 303 profesores en formación. El aná lisis de los datos recogidos de las cuestiones cerradas se ha llevado a cabo a partir del análisis estadí stico de los mismos, utilizando para ello el paquete estadístico SPSS para Windows (versió n 7.5), es decir, ha bastado una codificación numérica y la utilización de estadísticos descriptivos simples y análisis factorial. Descriptores: Ambiente de clase. Formación del Profesorado. Percepción. Instrumento. Abstract: This investigation tries to elaborate and to validate an instrument of Environment of Classrooms of New Technologies to a sample of 303 teachers in formation. The analysis of the collected data of the closed questions has been carried out starting from the statistical analysis of the same ones, using for it the statistical package SPSS for Windows (version 7.5), that is to say, it has been enough a numeric code and the use of statistical descriptive simple and factorial analysis. Describers: Classroom environment. Teacher education. Perception. Instrument. 1. INTRODUCCIÓN La conceptualización y estudio del ambiente de aprendizaje ha sido un tema de investigació n durante los últimos de treinta años (Fraser, 1991), y se generó a partir de dos programas independientes que empezaron aproximadamente el mismo tiempo. Por un lado, como parte de la evaluació n del Proyecto de Fí sica de Harvard, Anderson y Walberg (1974) desarrollaron el Inventario de Ambiente de Aprendizaje (LEI). Y por otro lado, trabajando en un campo bastante separado, Moos desarroll ó un nú mero de escalas de clima social, incluyendo su uso en instituciones correccionales (Moos, 1968) y hospitales psiquiá tricos (Moos & Houts, 1968). Estos instrumentos llevaron al desarrollo de la Escala de Ambiente de Clase (Trickett & Moos, 1973). Desde entonces, se han desarrollado otros instrumentos por evaluar diferentes contextos de ambiente de aprendizaje (Fraser, 1994). La asociació n entre variables de ambiente de aprendizaje y los resultados de los estudiantes han proporcionado una línea de investigación para la aplicació n de instrumentos de ambiente de aprendizaje. Los estudios de investigació n de ambientes del aula, han demostrado que el ambiente del aula percibido puede ser predictivo del aprendizaje del estudiante. Por ejemplo, Haertel, Walberg y Haertel (1981) llevaron a cabo un meta-análisis que incluí a 823 clases en 8 asignatura y representaron las percepciones de 17.805 estudiantes de 4 países. Encontraron que el é xito del estudiante se mejoró en esas clases que los estudiantes percibí an tener mayor coherencia, satisfacción y dirección de la meta y menos desorganización y fricció n. Fraser (1986) da una lista de 45 estudios de las asociaciones entre el ambiente del aula y varios resultados de los estudiantes, Página 1 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm cognoscitivo, afectivo y conductual. Desde entonces ha habido muchas investigaciones y está claro que la percepció n de un estudiante del ambiente de aula juega un papel importante en su aprendizaje. En este sentido, el incremento de ordenadores en las aulas ha llevado a realizar estudios para evaluar la efectividad del aprendizaje asistido por ordenador (Maor & Fraser, 1993; Teh & Fraser 1994; Schuh, 1996; Fisher & Stolarchuk, 1997) y a investigar la asociación entre el gé nero, experiencia con el ordenador y ambiente percibido (Levine & Donitsa-Schmidt, 1995). Esta investigació n se ha extendido al estudio de ordenadores y ambientes de aprendizaje en el nivel universitario. Pocas innovaciones en el aprendizaje asistido por ordenador se han evaluado en té rminos del impacto de las percepciones de los estudiantes sobre el ambiente del aula. Estas evaluaciones se han dirigido en su mayor parte en las aulas de la ciencia. Teh y Fraser (1995) presentaron un informe de evaluación de una innovación de aprendizaje asistido por ordenador en una clase de geografí a en Singapur. El estudio examinó el impacto que esto provocó sobre el ambiente del aula a nivel de la escuela secundaria. Durante un perí odo de la seis semana, un grupo experimental con el que se llevaba a cabo el aprendizaje asistido por ordenador en geografía, se comparó a un grupo de control que no usó los ordenadores, pero que estudiaron el mismo tema utilizando la misma metodologí a de enseñ anza. Los resultados muestran que existen diferencias significativas entre los estudiantes del grupo experimental y los del grupo de la percepció n del ambiente de clase. Estas diferencias surgieron en todas las escalas de ambiente de aula e indican un panorama má s positivo del grupo de aprendizaje asistido por ordenador. 2. OBJETIVOS DEL ESTUDIO Este estudio trata de desarrollar y validar un instrumento para medir el ambiente de aprendizaje de clase de Nuevas Tecnologí as (denominado Cuestionario de Ambiente de clase de Nuevas Tecnologías, -CANTE-) no utilizado hasta ahora en España, a partir de su aplicació n a una muestra de alumnos de la asignatura de Nuevas Tecnologías Aplicadas a la Educació n, de la Facultad de Ciencias de la Educación de la Universidad de Sevilla. Este trabajo retorna una lí nea de investigación iniciada hace añ os sobre el ambiente de aprendizaje en el aula que utiliza cuestionarios e inventarios de medición del clima de clase (Ferná ndez, 1987; Fraser, 1986, 1987, 1994; Idiris and Fraser. 1997; Kesner, Hofstein and Ben- Zvi, 1997; Medina, 1988; Villar, 1992a; Jegede, Fraser and Fisher, 1998; Newby and Fisher, 1997, 1998; Hervás, 1998). Los objetivos concretos que planteamos en este trabajo de investigación son los siguientes: 1.- Elaborar y validar un instrumento de diagnó stico, el Cuestionario de Ambiente de Clases de Nuevas Tecnologías, -CANTE-. El diseño de la investigación planteada responde a la siguiente hipótesis: Hipótesis: Se pueden establecer factores que agrupen los items del cuestionario denominado CANTE, en base a las respuestas al citado cuestionario de los alumnos/as de una muestra de clases de la asignatura de NN.TT. Aplicadas a la Educación del título de Maestro. Subhipótesis 1: Se pueden clasificar los items del CANTE en un conjunto reducido de factores. Subhipótesis 2: Página 2 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm Se pueden establecer factores que agrupen los items del CANTE a través de la solució n de componentes principales del análisis factorial. 3. INSTRUMENTO El instrumento se presenta como una escala de valoració n de cinco puntos que que va desde la existencia de un casi nunca, hasta casi siempre, pasando por pocas veces, algunas veces, y a menudo. Estas variables se han codificado asignando valores numé ricos del 1 al 5 a cada una de las opciones de respuesta, que se corresponden con: Casi nunca (1), Pocas veces (2), Algunas veces (3), A menudo (4), Casi siempre (5). Los profesores en formación que esté n totalmente de acuerdo con el grado de ocurrencia la declaración rodearán con un círculo el 1. 4. DISEÑO DEL ANÁLISIS FACTORIAL 4.1. MUESTRA Y RECOGIDA DE DATOS El estudio se ha basado en la recogida de las percepciones de maestros en formació n sobre la asignatura de Nuevas Tecnologías Aplicadas a la Educació n. Un total de 303 sujetos respondieron a un cuestionario en el que se incluían ademá s dos preguntas abiertas dirigidas a obtener una valoració n del profesor y de la asignatura. Junto a estas cuestiones, fueron recogidos datos acerca de sus percepciones del ambiente de clase. Los alumnos encuestados cursaban primero y tercero de la diplomatura en Formació n del Profesorado en la Facultad de Ciencias de la Educació n de la Universidad de Sevilla. Por lo tanto, los criterios para la elecció n de los sujetos fueron simplemente la facilidad de acceso a los mismos y su condición de estar recibiendo la asignatura de NN.TT. aplicadas a la Educación. Como podemos observar en la figura siguiente, de estos 303 alumnos que cumplimentaron el cuestionario, 69 eran varones (22.5%) y 207 eran mujeres (67.4%); 27 alumnos no especificaron el sexo (8.8%). Las edades de los alumnos estaban comprendidas entre los 18 y los 44 añ os. Como se puede percibir en el gráfico adjunto, la edad que más se repite es la de 21 añ os, con una frecuencia de 74 (24.1%), siendo 22 añ os (15%) la inmediatamente posterior. Las edades que menos se repiten, tan sólo una vez, son las de 35, 38 y 44 años que suponen un 0.3% del total. Respecto a la variable especialidad, hay que señ alar que el cuestionario ha sido pasado a 7 grupos de alumnos de las especialidades de educación primaria, educación infantil, educació n especial y educación física. A cada grupo se le ha asignado un número del 1 al 7 tal como sigue: Grupo 1 3º EP-2 Grupo 2 3º EI-3 Grupo 3 3º EE-3 Grupo 4 3º EE-2 Grupo 5 1º EF-2 Grupo 6 1º EF-1 Página 3 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm Grupo 7 3º EI-2 De todos ellos, el grupo con más alumnos que ha cumplimentado el cuestionario ha sido el de 3º EI- 2, con un total de 50 alumnos (16.3%) y el que menos el grupo de 1º EF- 2 con 34 alumnos (11.1%). Como podemos observar en la siguiente tabla, las distintas especialidades está n bastante equilibradas, oscilando en una frecuencia de 34 a 50 alumnos. Respecto a la variable curso hay que indicar que la asignatura de NN.TT. Aplicadas a la Educació n es troncal y que se imparte en el segundo cuatrimestre en tercero, excepto en la especialidad de educación fí sica que se imparte en primero, por ello, nos encontramos con 82 alumnos de primero (26.7%) y 221 alumnos de tercero (72%). 4.2. ANÁLISIS DE DATOS El análisis de los datos recogidos de las cuestiones cerradas se ha llevado a cabo a partir del aná lisis estadístico de los mismos, utilizando para ello el paquete estadístico SPSS para Windows (versió n 7.5), es decir, ha bastado una codificación numérica y la utilización de estadí sticos descriptivos simples y análisis factorial. 4.3. INDICADORES DE ADECUACIÓN AL ANÁLISIS FACTORIAL. La extracción factorial requiere la verificació n de relaciones entre las variables de estudio. Premisa que exigirá, por tanto, una primera observació n de la matriz de correlaciones para considerar la aplicabilidad de procesos factoriales posteriores. Estas primeras apreciaciones deben completarse con los resultados de otros indicadores de adecuación. Se aplican así, la prueba de esfericidad de Bartlett (para estimar la probabilidad de correlato entre correlaciones empíricas y reales); el test de adecuación de muestreo de Kaiser-Meyer- Olkin (a partir del valor negativo del coeficiente de correlación parcial o correlación antiimagen) con la catalogación de valores de KMA establecida por Kaiser (1974); y la medida de adecuació n de muestreo (MSA) para cada variable individual, además de la apreciació n de conjunto anterior obtenida por KMA. Se ha obtenido una buena medida de adecuación de muestreo (0.702), según el estadístico de Kaiser- Meyer-Olkin. El valor obtenido entra en la catalogación de Αmedianas≅ de la escala de Kaiser (1974) que atribuye esta valoración a las medidas próximas a .70 (Αmaravilllosa≅ a .90, "meritoria" a .80, Αmedianas≅ a .70, Αmediocres≅ a .60, e Αinaceptables≅ a .50). El test de esfericidad de Bartlett arroja un valor de 3832,286, con un grado de significació n 0.00000. Un valor alto del estadístico para un nivel asociado de significación pequeñ o hace poco probable el supuesto de que la matriz de correlaciones reales (de la població n) sea una identidad. Rechazada esta hipótesis (por los valores del estadístico y significación) es factible la utilizació n del modelo factorial. También hay que hacer referencia a la escasa significació n de valores por encima de 0.09 en la matriz de correlaciones anti-imagen, entendiendo la verificación contraria (proporció n elevada de coeficientes altos) como inadecuada para la factorización. Efectuadas estas primeras aproximaciones a la Αsalida≅ estadí stica factorial, puede establecerse sin ambigüedades la viabilidad de los procedimientos de factorización; una vez que la verificació n de correlaciones y los resultados de los indicadores de adecuación han resultado concluyentes. Página 4 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm 4.4. EXTRACCIÓN FACTORIAL Pretende este ámbito del análisis la obtención del número mí nimo de factores comunes con potencialidad para reproducir ó ptimamente las correlaciones observadas entre las variables. Para ello, se presume hipotéticamente el número mí nimo de factores comunes necesarios, partiendo del factor común y considerando modelos con má s de un factor hasta obviar la discrepancia encontrada entre modelo y datos. En nuestro caso, optamos por el procedimiento de Aná lisis de Componentes Principales (PC). Este mé todo presupone que no hay factores comunes y, por lo tanto, lo que interesa es simplificar la estructura de los datos, transformando las variables en unas pocas Componentes Principales, que serán combinaciones lineales de las variables, comprobando así, cuá l es la estructura de dependencia y correlación que existe entre las variables y que explican la mayor parte de la informació n que contienen dichas variables. Análisis factorial La Tabla siguiente contiene los estadí sticos finales para cada factor. El total de varianza explicada por cada factor se presenta en la columna denominada Αautovalor≅ . La columna siguiente contiene el porcentaje del total de la varianza atribuido a cada factor. Por ejemplo, el Factor 1 tiene una varianza de 3.18, que es 11.3% de la varianza total de las 54 variables. En esta Tabla vemos que al menos el 37.8% de la varianza total es atribuible a los primeros 8 factores. Para obtener la varianza total explicada por cada factor (autovalor) se suman las proporciones de varianza de cada variable. Como se aprecia en la Tabla de estadí sticos finales, el autovalor del Factor 1 es 6.07596. Estadísticos Finales: Porcent. de Porcent. Variable Comunalidad * Factor Autovalor Varianza Acumulado D1 ,64635 * 1 6,07596 11,3 11,3D2 ,62656 * 2 3,18375 5,9 17,1 D3 ,61315 * 3 2,31453 4,3 21,4 D4 ,67428 * 4 2,19408 4,1 25,5 D5 ,60097 * 5 1,77844 3,3 28,8 D6 ,62823 * 6 1,72585 3,2 32,0 D7 ,64756 * 7 1,57194 2,9 34,9 D8 ,61197 * 8 1,54057 2,9 37,8 D9 ,63342 * 9 1,45997 2,7 40,5 D10 ,56079 * 10 1,42506 2,6 43,1 D11 ,64398 * 11 1,39081 2,6 45,7 Página 5 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm D12 ,55918 * 12 1,30309 2,4 48,1 D13 ,59307 * 13 1,27800 2,4 50,4 D14 ,58291 * 14 1,22084 2,3 52,7 D15 ,61727 * 15 1,19574 2,2 54,9 D16 ,62272 * 16 1,16282 2,2 57,1 D17 ,55746 * 17 1,11172 2,1 59,1 D18 ,71212 * 18 1,08205 2,0 61,1 D19 ,60886 * 19 1,02971 1,9 63,0 D20 ,63470 * D21 ,62944 * D22 ,56607 * D23 ,70203 * D24 ,69834 * D25 ,48818 * D26 ,65443 * D27 ,60390 * D28 ,65287 * D29 ,64310 * D30 ,65670 * D31 ,65509 * D32 ,64943 * D33 ,69284 * D34 ,64614 * D35 ,58850 * Porcent. de Porcent. Variable Comunalidad * Factor Autovalor Varianza Acumulado D36 ,55965 *D37 ,51707 *D38 ,67817 *D39 ,64034 *D40 ,70462 * D41 ,61943 * D42 ,67373 * Página 6 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm Tabla. Estadísticos finales de la extracción factorial PC. Además de los autovalores, la Tabla de estadísticos finales ofrece informació n sobre los porcentajes de varianzas totales por items referidos al modelo de 19 factores. Así, el í tem 1 presenta un 65% de varianza, el ítem 2 un 63%, etcétera. Puede observarse también que los 19 factores producto de la extracción só lo explican un 63% de la varianza total. Estas consideraciones actualizan la conveniencia de emplear procedimientos confirmatorios del número de factores, tras la aplicación de PC. 4.5. ROTACIÓN Y AJUSTE DE FACTORES. Partimos de la observació n de los resultados que aporta la matriz factorial rotada, con el presupuesto de facilitar la interpretación y lograr una simplificación mayor de factores y/o variables. Este mé todo considera que si se logra aumentar la varianza de cada factor consiguiendo que algunos de sus ΑNúmero-Peso≅ tiendan a acercarse a 1 mientras que otros se acercan a 0 lo que se obtiene es una pertenencia o no pertenencia má s clara e inteligible de cada variable a ese factor, es decir, propicia una mayor capacidad explicativa a los factores y un mejor panorama de interpretació n. Tras 14 interacciones con el procedimiento varimax, que agiliza la interpretació n de los factores reduciendo el número de variables con pesos altos en cada factor, aparece la Tabla siguiente. Adoptando el baremo de pesos factoriales superiores a .40, pueden establecerse hasta 8 factores. Estructura interna del CANTE. Las respuestas de los alumnos al CANTE nos permitieron contrastar la validez de la ordenación de D43 ,58383 * D44 ,67601 * D45 ,66122 * D46 ,63477 * D47 ,54398 * D48 ,60061 * D49 ,72552 * D50 ,76613 * D51 ,60472 * D52 ,62281 * D53 ,65470 * D54 ,67503 * Página 7 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm los items de este instrumento en 8 factores. Utilizamos el paquete estadí stico SPSS para realizar el análisis factorial. Mediante la solución varimax obtuvimos una agrupació n de las declaraciones de ambiente en 8 factores. A continuación presentamos en la Tabla siguiente los ocho factores obtenidos, incluyendo el í tem y el nivel de saturación correspondiente. Aunque algunos autores só lo consideran las variables con saturació n superior a 0.45 (Villar y col., 1981; Marcelo y col., 1991), nosotros vamos a incluir también aquellos items que superaron un coeficiente de saturación mí nima de 0.40, como ya se ha hecho en otras investigaciones (Villar, 1992). DIMENSIONES ITEMS FACTORES I II III IV V VI VII VIII 1 D38 D28 D31 D46 D25 D29 D41 ,667 ,654 ,585 ,566 ,509 ,507 ,453 2 D20 D32 D21 D8 D52 D5 D44 D43 ,625 ,558 ,553 ,512 ,511 ,502 ,443 ,432 3 D51 D34 D48 D14 D13 ,568 ,562 ,548 ,495 ,408 Página 8 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm Tabla. Correspondencia de factores con las dimensiones del CANTE. El porcentaje de la varianza explicada por cada uno de los factores fue el siguiente: 4 D23 D26 D3 D1 ,693 ,635 ,632 - ,407 5 D24 D19 D18 D27 ,580 ,533 ,515 ,464 6 D11 D53 D16 D54 ,582 ,574 ,550 ,525 7 D49 D50 D6 ,593 ,572 ,568 8 D9 D22 D4 ,539 ,529 - ,498 Factores Varianza explicada I 6,07596 II 3,18375 III 2,31453 IV 2,19408 V 1,77844 Página 9 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm Idiris, S. and Fraser, B.J. (1997). Psychosocial environment of agricultural science classrooms in Nigeria. International Journal of Science Education, 19(1), 79-91. Jegede, O.; Fraser, B. and Fisher, D.L. (1998). Development, validation and Use of a Learning Environment Instrument for University Distance Education Settings. Paper presented at the annual meeting of the A.E.R.A. San Diego, CA, 13-17 April. Kesner, M., Hofstein, A. And Ben- Zvi, R. (1997). Student and teacher perception of industrial chemistry case studies. International Journal of Science Education, 19 (6), 725-738. Levine, T. and Donitsa- Schmidt, S. (1995). Computer experience, gender, and classroom environment in computer-supported writing classes. Journal of Educational Computing Research, 13(4), 337-357. Maor and Fraser, B. (1993). Use of classroom environment perceptions in evaluating inquiry-based computer learning. In D.L. Fisher (Ed.). A Study of Learning Environments: Volume 7. Perth, Western Australia: Curtin University of Technology. Marcelo, C. (1992). Aprender a enseñar: Un estudio sobre el proceso de socialización . Madrid: C.I.D.E. McLaughlin, M. (1988). Ambientes institucionales que favorecen la motivació n y productividad de los profesores. En A. Villa. (Coord.). Perspectivas y problemas de la función docente (pp.280-291). Madrid: Narcea. Medina, A. (1988). Didáctica e Interacción en el Aula. Madrid: Cincel-Kapelusz. Morales, P. (1988). Medición de actitudes en psicología y educación. San Sebastiá n: Ttarttalo. Newby, M. and Fisher, D.L. (1997). An instrument for assessing the learning environment of a computer laboratory. Journal of Educational Computing Research, 16 (2), 179-190. Schuh, (1996). The lecture classroom environment and its effect on change in computer anxiety of students taing computer proficiency classes. Journal of Educational Computing Research,15(3), 241-259. Teh, G.P.L. and Fraser, B. (1995). Development and validation of an instrument for assessing the psycholosocial environment of computerassisted learning classrooms. Journal of Educational Computing Research, 12(2), 177-193. Trikett, E.J. and Moos, R.H. (1973). Social environment of junior high and high school classrooms. Journal of Educational Psychology, 65(1), 93-102. Villar, L.M. (1992a). El ambiente de aprendizaje de clase: teoría e investigació n. En A. Villa. y L.M. Villar (Coords.) (1992). Clima organizativo y de aula. Servicio Central de Publicaciones. Vitoria, Gasteiz: Gobierno Vasco. 13-41. Villar, L.M. (1992b). El ambiente psicosocial de clase de escuelas universitarias de formació n del profesorado de EGB del distrito universitario de Sevilla medido por el ΑInventario de Ambiente de Clases Universitarias≅ (IACU). En A. Villa. y L.M. Villar (Coords.) (1992). Clima organizativo y de aula. Servicio Central de Publicaciones. Página 16 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm Vitoria, Gasteiz: Gobierno Vasco. 227-247. Villar, L.M. (1992c). La reflexión sobre la enseñanza universitaria a través del aná lisis de los climagramas de clase. En A. Villa. y L.M. Villar (Coords.) (1992). Clima organizativo y de aula. Servicio Central de Publicaciones. Vitoria, Gasteiz: Gobierno Vasco. 333-353. Página 17 de 17 Hipótesis 56: 15/06/2002 http://tecnologiaedu.us.es/revistaslibros/nov01/herv2.htm