Modelo
predictivo del riesgo de abandono escolar en educación media superior en México
Predictive model of high school students’ dropout risk
in Mexico
El riesgo de abandono escolar en media superior
Luis Fernando Hernández-Jácquez1*,
Frine Virginia Montes-Ramos2
*Correspondencia: lfhj1@hotmail.com/Fecha de recepción: 22
de agosto de 2019/Fecha
de aceptación: 25 de marzo de 2020/Fecha de publicación: 31
de julio de 2020.
1Universidad Pedagógica de Durango, carretera al
Mezquital km 4.2, manzana s/n, lote s/n, fraccionamiento Predio Rústico Calleros
núm. 700, Durango, Durango, México, C. P. 34162.
2Centro de Bachillerato Tecnológico Agropecuario No. 3,
Durango, Durango, México.
Resumen
Los índices nacionales en materia de abandono escolar o
deserción en la educación media superior en
México fluctúan entre 14.5 % y 16.5 %, y la investigación empírica
sugiere que el abandono se encuentra
mayormente asociado a la reprobación,
y esta, a su vez, a cuestiones como la falta de autorregulación en el aprendizaje
y a los hábitos de estudio. La presente investigación tuvo como objetivo el establecimiento de un modelo para predecir el
riesgo de abandono escolar en estudiantes de nivel
medio superior en México. Se desarrolló una investigación cuantitativa,
no experimental y transversal. La variable
independiente, que fue el riesgo de abandono escolar, se valoró a través
del Cuestionario de Abandono Escolar, mientras que las variables predictoras fueron los
hábitos de estudio, la autorregulación del aprendizaje y los estilos de
aprendizaje (por así convenir a la institución), valorados mediante el
Cuestionario de Hábitos de Estudio, el Cuestionario de Estrategias de
Aprendizaje y Motivación II (CEAM), y el Cuestionario Honey
– Alonso de Estilos de Aprendizaje
(CHAEA). Para determinar la ecuación predictiva, se utilizó el modelo de regresión logística binaria, mediante
el método “pasos hacia atrás de Wald”, con una
muestra de 192 estudiantes del primer semestre de un bachillerato tecnológico
agropecuario, en su mayoría con edades de
entre 14 y 16 años. Se obtuvo un
modelo que incluye las dimensiones de estrategias para la planificación del estudio y estrategias
para la toma de apuntes, relacionadas con los
hábitos de estudio; y autoeficacia para el aprendizaje, relacionada con
la autorregulación, explicando el 37.0 % del
fenómeno. Se concluye que con el establecimiento de mecanismos de
predicción del riesgo de abandono escolar,
se podrían mejorar o incrementar las dimensiones ya mencionadas, para reducir en cierta medida el riesgo
de abandono escolar.
Palabras clave: abandono escolar,
autorregulación del aprendizaje,
bachillerato, hábitos de estudio, modelo matemático.
Abstract
National high school dropout rates in
Mexico, fluctuate between 14.5 % and 16.5 %, and empirical research suggests
that dropout is mostly associated with failure, and that this in turn, is
related to issues such as lack of learning self-regulation and study habits. The objective of this research was to
establish a model that predicts the risk of high school students’ drop in Mexico. A quantitative, non-experimental and cross-sectional
research was developed. The independent variable, which was the risk of dropping out of school, was assessed through the School Dropout Questionnaire, while the predictive variables study habits, self-regulation learning and learning styles (as requested by the
participating institution) were assessed through the Study Habits Questionnaire, the Learning Strategies and Motivation Questionnaire (CEAM II),
and the Honey – Alonso Learning Styles Questionnaire (CHAEA). To
determine the predictive equation, the binary logistic regression model was
used using the “Wald backward elimination steps” method, with a sample of 192
first semester students of an agricultural technological baccalaureate, whose
ages ranged between 14 and 16 years. A model that includes the dimensions of
note taking study planning strategies related to study habits; and
self-efficacy for learning, related to self-regulation was obtained. This model
explained 37.0 % of the phenomenon. It is concluded the establishment of
dropout risk prediction mechanisms could be improve
or increase the development of the aforementioned dimensions in order to
reduce to a certain extent the risk of dropping out.
Keywords: dropout, learning self-regulation, high school, study
habits, mathematical model.
Introducción
La deserción o abandono escolar es un fenómeno
permanentemente presente en los sistemas educativos, que buscan reducirlo de
manera decidida con la finalidad de retener a sus estudiantes. El fenómeno es mucho más impactante en aquellos sistemas que muestran falencias
estructurales, tanto en los mecanismos de identificación de posibles
desertores, como en las estrategias de retención de los mismos Román (2013).
En México, de acuerdo con la Secretaría de Educación Pública (SEP, 2013), para el ciclo
escolar 2012-2013, el Sistema de Educación Media Superior registró un total de 4 443 792 estudiantes, inscritos en 15 990 escuelas a lo largo
del territorio mexicano. De estos, 3 341 337 estudiantes pertenecían al sector público, mientras que 715 928
al privado. Refiriéndose a la educación pública, la mayor parte de los
estudiantes estaban inscritos en la modalidad de bachillerato general (1 746 735), seguidos del bachillerato tecnológico (1 358 674), del Colegio
de Bachilleres (765 789) y, por último, del telebachillerato (186
067).
En este nivel educativo la tasa de abandono escolar ha experimentado ligeros altibajos,
considerando el periodo 2005 a 2013, la que se ha situado en 16.5, 16.3,
16.3, 15.9, 14.9, 14.9, 15.0 y 14.5 en cada
ciclo escolar. En estas tasas, el promedio de deserción en cuanto al género representa
54.9 % en los hombres y el 45.1 % en las mujeres (SEP, 2013). Al respecto, Morfin y col. (2018), analizaron el abandono escolar en 1 589 estudiantes que cursaban sus
estudios en línea, y encontraron que los hombres desertan más que las mujeres,
y que el riesgo de abandono se incrementa en quienes reprobaron una
primera materia.
La Encuesta
Nacional de Deserción en la Educación Media Superior (SEP, 2012) muestra
diferencias notables en el fenómeno, dependiendo del año en que se encuentran
inscritos. Así, el 60.8 % de los desertores en el ciclo escolar 2010-2011
abandonó sus estudios en el primer año (primero y segundo semestre), 26 % en el
segundo año (tercero y cuarto semestre) y el 13.2
% en el último año (quinto y sexto semestre). Estratificada por modalidad de
bachillerato, la tasa de deserción más alta se tuvo en la de profesional
técnico (22.7 %), seguida del bachillerato tecnológico (15.7 %) y del general
(13.4 %).
Desde hace décadas se han diseñado modelos teóricos que
buscan describir y explicar el fenómeno del abandono escolar, que, de acuerdo
con Braxton y col. (1997), se pueden clasificar en
modelos psicológicos, económicos, organizacionales y sociológicos. Dentro de
los primeros, que contemplan los aspectos psicológicos y de personalidad de los
individuos, se encuentran el modelo de Fishbein y Ajzen y el de Bean y Eaton. Los modelos económicos básicamente analizan la relación costo-beneficio
de la retención. Los modelos organizacionales tienen su fundamento en que la
deserción depende de las cualidades institucionales para influir en la
integración social de la población propia, y de esa manera abatir la deserción.
Por su parte, los modelos sociológicos toman en cuenta los factores
psicológicos, pero en relación con factores
externos al individuo. En ese tipo de modelos se encuentran el de Spady, basado en la Teoría del Suicidio de Emile Durkheim, y el de Vincent
Tinto, que es el mayormente utilizado para abordar el fenómeno.
Aunque no son abundantes las
investigaciones en el nivel medio superior mexicano respecto a las causas del
abandono escolar o deserción, es posible asociar este abandono a
múltiples factores, entre los que destacan los problemas económicos, la reprobación y la falta de interés en los estudios
(Abril y col., 2008; Castro, 2011;
Sánchez, 2015; Hernández y Vargas, 2016;
López y Cubillas, 2017; Diaz y López, 2018; Weiss, 2018),
tal como se
visualiza en la Tabla 1.
De la Tabla 1 se deduce que, entre otros factores, la
reprobación es una causa frecuente asociada a la deserción, y es en este tenor
que se ha reportado que existen algunos factores que, de estar presentes, disminuyen esta reprobación, es decir,
influyen de manera positiva en la
aprobación, el buen rendimiento académico o el éxito escolar (en todos
los casos localizados, valorados con las calificaciones de cierto periodo).
Dentro de estos factores se encuentran la
autorregulación del aprendizaje y los hábitos de estudio.
Gaxiola y col. (2013), reportaron que la
autorregulación es una variable protectora del rendimiento
académico. Al respecto, García y Ortega (2012), encontraron una relación
positiva entre ambas variables; y García y Pérez (2011), señalaron el poder predictivo de la autorregulación
sobre el rendimiento. Valencia y col. (2013:
67), registraron que “las estudiantes con altos niveles de
autorregulación también presentaron
calificaciones aprobatorias altas y medias”,
mientras que Elvira y Pujol (2012), documentaron que el uso menor o
moderado de estrategias de autorregulación, se ve reflejado en un bajo
rendimiento. Además de ellos, más investigadores
han reportado una asociación positiva
entre ambas variables, tal como Bayardo
y col. (2016); Gaeta y Cavazos (2016); Robles y col. (2017); Ce-brián y col. (2019) y Gómez y Romero (2019).
En lo que respecta a los hábitos de
estudio, Castillo y col. (2020) señalaron que, entre los motivos más relevantes
para la reprobación se encuentra la falta de
adecuados hábitos de estudio. Padua (2019), concluyó que los hábitos de
estudio son una variable significativa para el alto rendimiento académico;
mientras que Chilca (2017), también encontró una relación significativa entre estos y el rendimiento: “se espera que si se
incrementa el puntaje de los hábitos de estudio […] se incremente su rendimiento académico” (p. 88); situación
coincidente con Sánchez
y col. (2016).
Capdevila y Bellmunt
(2016), determinaron que algunas características de los hábitos de estudio,
como la planificación, la actitud y el lugar de estudio, son
elementos a tener en cuenta si se
desea mejorar el rendimiento; mientras
Torres y col. (2009) y Vargas y Montero (2016), asentaron la influencia del desarrollo de hábitos de estudio para el buen desempeño del
estudiante. Por último, de manera general, López y col. (2018), concluyeron que
es necesario mejorar los hábitos de estudio
de los estudiantes, para que impacte en su permanencia.
El objetivo del presente estudio fue determinar un modelo
predictivo del riesgo de abandono escolar, en la población de segundo semestre
del Centro de Bachillerato Tecnológico Agropecuario (CBTA) No. 3, de la ciudad
de Durango, Dgo., México, considerando las variables
de autorregulación del aprendizaje, hábitos
de estudio y estilos de aprendizaje.
MATERIALES Y MÉTODOS
La investigación se desarrolló bajo el enfoque cuantitativo
de tipo no experimental, ya que no existió
intervención sobre las variables,
solo la medición de cómo se presentaron (Kerlinger y Lee, 2002); y transversal, al recuperarse los datos en un solo momento (Salkind, 1997) durante la última
semana del mes de enero de 2019.
Debido a la evidencia empírica de que los factores autorregulación del aprendizaje y hábitos
de estudio influyen como variables protectoras, en el rendimiento académico, se
decidió seleccionar estas dos variables para integrarlas al modelo, más el
estilo de aprendizaje, por así ser de interés
del Centro de Bachillerato Tecnológico
Agropecuario (CBTA) No. 3 de la
ciudad de Durango, Dgo., donde, de acuerdo con información recabada de manera
directa (en el mes de enero de 2019), en la oficina del programa “Yo No
Abandono”, de esta institución, el abandono
escolar se ha reportado en los últimos tres semestres en un nivel del 16
% (agosto-diciembre 2017), 11 % (enero-julio 2018) y 23 % (agosto-diciembre 2018) en los estudiantes que cursaron el
primero y segundo semestre, así como una reprobación del 34 %, 32 % y 23 %, en
los mismos semestres y períodos, por lo que es interesante analizar la
situación a través de las variables ya
mencionadas.
Participantes
Los sujetos participantes totalizaron 192 estudiantes del primer semestre de la institución, los cuales
respondieron a los 4 instrumentos a través de una computadora, perteneciente al
centro de cómputo de la institución, donde
acudieron por grupo y respondieron a un instrumento
diariamente, hasta completar los cuatro cuestionarios, sin considerar un límite
de tiempo en cada uno de ellos. El procedimiento
de aplicación contó con el consentimiento informado de los estudiantes, y fue
explicado y, asistido por uno de los investigadores.
De un primer
análisis de la variable riesgo de abandono escolar, se encontró que 9 estudiantes (4.7 %) no presentaban riesgo (sin riesgo) y 2 más (1.0 %) un riesgo muy alto,
mientras que el 94.3 % presentaron un riesgo
moderado o alto. Debido a las cantidades mínimas en los 2 primeros
casos, se decidió excluirlos del análisis, concentrándose en los riesgos moderado y alto, en donde se
encontraba la gran mayoría. Entonces, se trabajó con los
datos de 181 estudiantes, de los cuales 48.1 % (87 sujetos) son del sexo
femenino, mientras que el 51.9 % (94 sujetos) del sexo masculino. Las edades se clasificaron en 3 categorías, estando la gran parte de los estudiantes entre los
14 y 16 años (96.7 %: 175 sujetos); mientras que el 2.8 % (5 sujetos) se ubicaron entre los 17 y 18 años,
y solamente 1 sujeto (0.6 %) se ubicó en 19 años o más.
Instrumentos
La variable
dependiente fue el riesgo de abandono
escolar, cuya recuperación de datos se hizo a través de una contextualización
del Cuestionario de Abandono Escolar
(Pérez, 2001). Las variables predictoras o independientes fueron los hábitos de
estudio, valorados mediante el Cuestionario
de Hábitos de Estudio, de acuerdo a
la Secretaría de Educación Pública/Facultad
Latinoamericana de Ciencias Sociales (SEP/FLACSO, 2014); los estilos de
aprendizaje, identificados con el Cuestionario Honey
– Alonso de Estilos de Aprendizaje CHAEA “CHAEA” (Alonso y col., 1995);
y la autorregulación del aprendizaje a través del CEAM II: Cuestionario de
Estrategias de Aprendizaje y Motivación II
de Roces y col. (1995), que corresponde a una versión en español del Motivated Strategies For Learning Questionnaire (MSLQ). Tras la aplicación de los instrumentos, los datos reportaron
una confiabilidad en alfa de cronbach de 0.741,
0.709, 0.889 y 0.985, respectivamente.
El Cuestionario de
Abandono Escolar (Pérez, 2001) es un instrumento de 35 ítems, dividido en 5
dimensiones o factores: sociales y demográficos, familiares, económicos,
académicos y motivacionales, cuya forma de respuesta a cada cuestionamiento es
dicotómica (falso o verdadero). Cada ítem tiene una “respuesta que refleja el
problema”, es decir, dependiendo del
cuestionamiento, una respuesta “verdadero” puede tomar un puntaje de 1,
pero en otros ítems una respuesta “falso” es
la que toma ese puntaje. Al final, según el puntaje obtenido, el
instrumento clasifica al individuo en una escala de riesgo de abandono: sin
riesgo (0 a 5 puntos), riesgo moderado (6 a 12 puntos), riesgo alto (13 a 23
puntos) y riesgo muy
alto (24 o
más puntos).
El Cuestionario de Hábitos de Estudio (SEP/FLACSO, 2014) se compone de 27 ítems, que
también se responden de manera dicotómica (falso o verdadero). Los ítems se
clasifican en 8 dimensiones que evalúan las estrategias para: organización del
estudio, planificación del estudio, aprendizaje para el proceso general de estudio,
la lectura de textos, la toma de apuntes, la elaboración de resumen, la
preparación para examen y
la elaboración de
trabajos.
En cuanto al CHAEA
(Alonso y col., 1995), instrumento
ampliamente utilizado a nivel internacional, para identificar los
estilos de aprendizaje de las personas, se compone de 80 ítems que clasifican a
los informantes en alguno de los 4 estilos previstos: activo, reflexivo,
teórico y pragmático. Se responde, igualmente, mediante “falso” o “verdadero” a
cada cuestionamiento.
Por último, el
CEAM II (Roces y col., 1995), para la
autorregulación del aprendizaje, se compone de 81 ítems que se responden
mediante una escala Likert de siete puntos,
que va desde “no describe en absoluto”
hasta “me describe totalmente”. El instrumento se divide en 9 subescalas: valor intrínseco de la tarea, autoeficacia para
el aprendizaje, ansiedad frente a los
exámenes, creencias de control del aprendizaje, elaboración,
organización, aprovechamiento del tiempo, autorregulación y ayuda. Las primeras
4 subescalas componen la escala de motivación, y las
5 restantes componen la escala de estrategias de
aprendizaje.
Modelo estadístico
empleado
Para determinar la
ecuación predictiva, se utilizó el modelo de
regresión logística binaria para predecir el riesgo de abandono, sea este moderado, que internamente, para fines estadísticos
asume un valor de 0, o alto (valor interno de 1). Este tipo de regresión no se
enfrenta a los supuestos restrictivos de la normalidad
de los datos, y es “mucho más robusta cuando estos supuestos no se
cumplen, haciendo muy apropiada su aplicación en muchas situaciones […] cuenta
con contrastes estadísticos directos, capacidad para incorporar efectos no lineales y permitir una amplia variedad de diagnósticos”
(Hair y col., 1999: 280).
Además, tal como lo señalan Hair y col. (1999:
281): “Una de las ventajas de la regresión logística es que sólo se necesita
saber si un suceso ocurrió […] para entonces utilizar un valor dicotómico como
la variable dependiente de este trabajo. A partir de este valor dicotómico, el
procedimiento predice la estimación de la probabilidad de que el suceso tenga
lugar o no”.
Todos los datos
fueron procesados en el software SPSS v20,
comenzando con el análisis bivariado de la
variable dependiente (riesgo de abandono escolar) respecto a cada variable independiente (hábitos de estudio, estilo de
aprendizaje y autorregulación del aprendizaje),
mediante la prueba U de Mann-Whitney para muestras independientes. El
análisis se llevó a cabo en cada una de las
dimensiones de que se componen los
instrumentos (descritas en párrafo
anteriores), tal como se muestra en la Tabla 2.
Con la selección
de las variables que integraron el modelo
(aquellas estadísticamente significativas), el estilo de aprendizaje
dominante se empleó como variable categórica, mientras que el resto, como covariables de tipo escalar.
Aquellas dimensiones que resultaron no significativas estadísticamente no se
contemplaron en análisis posteriores. El
modelo se calculó mediante el método
“por pasos hacia atrás (Wald)”, que es
iterativo y automático, en el cual se parte de un modelo general en que se incluyen todas las covariables
seleccionadas y se van eliminando aquellas
sin significación estadística (Berlanga y Vila, 2014), hasta quedar solo las variables explicativas.
RESULTADOS
Tras la aplicación del Cuestionario de Abandono Escolar (Pérez, 2001), se tiene que de los
181 estudiantes, 132 presentan un nivel de riesgo de abandono moderado y 49 un nivel de riesgo alto, es decir, estos son los datos
reales (observados). Por otro lado, el riesgo de abandono predicho, empleando las variables independientes, ilustra la efectividad del modelo generado en cada uno de los pasos o iteraciones
(Tabla 3).
Cabe señalar que, de acuerdo con el modelo de “pasos hacia
atrás de Wald”, en la iteración 1 se incluyen todas las variables significativas: estrategias
para la organización del estudio, estrategias para la planificación del
estudio, estrategias del proceso general de estudio, estrategias para la toma
de apuntes; estilo de aprendizaje dominante; valor intrínseco de la tarea,
autoeficacia para el aprendizaje, estrategias de elaboración y autorregulación,
más la constante. En la iteración 2 fue eliminada la variable elaboración (por
criterio de significación estadística de la variable dentro del modelo),
mientras que en el paso 3 se eliminó la
variable autorregulación. En la iteración 4 fue eliminada la variable
“estrategias del proceso general de
estudio”, y en el paso 5 se eliminó el
“valor intrínseco de la tarea”. En
suma, en estas 5 iteraciones se eliminaron 4 variables (Tabla 3).
Las estimaciones del modelo finalizaron en el paso 5, ya que
en él, el parámetro del logaritmo de la verosimilitud cambió en menos de 0.001
respecto a otra hipotética iteración, valor tan pequeño que ya no hace
necesaria otra más.
Regresando a la efectividad del modelo, en los pasos 1 y 4, los modelos generados pueden clasificar correctamente a 120 de los 132 casos de riesgo moderado (clasifica correctamente
al 90.9 %) y a 23 de los 49 casos de riesgo alto (46.9 % de clasificación correcta), siendo entonces la efectividad
global en estos pasos de 79.0 %, al clasificar de manera correcta a 143 casos
(120 más 23) del total de 181. Los modelos generados en los pasos 2 y 3 tienen la
misma efectividad global, 79.6 % (agrupación
correcta en 144 de 181 casos), ya que clasifican adecuadamente a 121
estudiantes en el grupo moderado y a 23 en el
grupo alto. En el primer caso, la efectividad para el riesgo moderado es de 91.7 % (121 de 132 estudiantes),
mientras que para el riesgo alto es de 46.9 % (23 de 49 casos).
Por su parte, el modelo de la iteración 5 clasifica de manera
correcta a 122 de los 132 estudiantes en el grupo moderado (agrupación correcta del 92.4 % de los casos) y a 23 de los
49 en el grupo alto (agrupación correcta de 46.9 %), por lo que en este paso se
tiene la efectividad global más alta, al clasificar de manera adecuada al 80.1
% de los casos, 145 estudiantes (122 más 23) del total de 181, motivo por el
cual se tomó como referencia para la construcción del modelo. El restante 19.9
% (36 estudiantes) son casos agrupados de manera
incorrecta.
De manera general, este porcentaje global representa una
forma de evaluar el modelo obtenido, en el que se clasifica a los sujetos de la
muestra según la concordancia de los valores observados (valores reales
cuantificados con los cuatro instrumentos
aplicados) con los estimados por el
propio modelo (la estimación se basa solo en las variables
independientes).
De acuerdo con De-la-Fuente (2011), un modelo se considera
aceptable si de manera global predice de
forma correcta al menos el 75 % de los casos, lo que se supera en el
modelo de esta investigación
(80.1 %).
El valor R2 de Negelkerke se situó en 0.370 (Tabla 4), indicando que el 37.0 % de la variación
en el riesgo de abandono escolar, se explica
con las variables independientes del modelo
final. El valor de -2 veces el logaritmo de la verosimilitud o
desviación indica hasta qué punto el modelo
es capaz de ajustarse a los datos, considerando que entre más pequeño es mejor, resultando que es bastante pequeño, con un valor de 158.118. Además,
la prueba de Hosmer y Lemeshow
también demuestra que el modelo tiene una buena bondad de ajuste, al presentar
una significancia de 0.321, es decir, evidencia
que no existe diferencia estadística significativa entre el riesgo de
abandono observado y el que predice el modelo.
La variable estilo de aprendizaje dominante es de tipo
categórica con 4 niveles de respuesta, por lo que para su tratamiento estadístico,
dentro de la regresión logística, se deben
generar 4 subvariables menos una (3); es por
ello que esta variable se subdivide en aprendizaje dominante activo, reflexivo,
teórico y pragmático (Tabla 5). Sin embargo, en la determinación de las variables
que conforman la ecuación, se observó que las variables estilo de aprendizaje
dominante y organización del estudio fueron no significativas estadísticamente
para el modelo, por lo que se decidió eliminarlas. Con esto, el modelo para
predecir el riesgo de abandono escolar quedó determinado por la planificación
del estudio, la toma de apuntes y la autoeficacia
para el aprendizaje como variables predictoras,
más la constante (Tabla 5).
A nivel teórico, la función lineal del
modelo de regresión logística se representa como se muestra en la
ecuación 1, donde representa los
coeficientes de las variables X del modelo.
y = XXnXn
Por su parte, la función logística que
permite calcular la probabilidad de que un sujeto pertenezca a una
determinada categoría de la población o
conjunto, es como se muestra en la ecuación 2 (donde e es la constante base de
los logaritmos neperianos, de valor 2.718):
Con lo anterior, el modelo resultado del
presente estudio está
dado por la
ecuación 3:
rae = 2.815 - 0.727 (pe) - 0.699 (ta) - 0.065 (aa)
Donde:
·
rae es antilogaritmo del riesgo de abandono escolar.
·
pe son las estrategias para la planificación del estudio.
·
ta son las estrategias para la toma de
apuntes.
·
aa
es la autoeficacia
para el aprendizaje.
Mientras que la función logística está
representada por la
ecuación 4:
DISCUSIÓN
En el modelo resultante de este estudio se incluyen aspectos de los
hábitos de estudio, de las estrategias para la
planificación del estudio y para la toma de apuntes, y un aspecto de la autorregulación y la autoeficacia para
el aprendizaje. Aunque quizá con finalidades un tanto distintas, en
cuanto a la forma de abordar el riesgo de abandono, lo anterior es coincidente con la literatura localizada. En cuanto a los hábitos de estudio, Torres y col. (2009); Capdevila y Bellmunt (2016); Sánchez y col. (2016); Vargas y Montero
(2016); Chilca (2017); López y col. (2018); Padua (2019); y Castillo y
col. (2020), señalaron la influencia de estos en el rendimiento escolar, y por
ende, su utilidad como variable “protectora” del abandono escolar.
En cuanto a la
autorregulación, aunque el modelo solo
incluye a la autoeficacia para el aprendizaje,
de manera general se coincide con la evidencia empírica, que manifiesta
que dicha autorregulación es predictora del buen
rendimiento académico (García y Pérez, 2011; Elvira y Pujol, 2012; García y
Ortega, 2012; Gaxiola y col., 2013; Valencia y col., 2013; Bayardo y col.,
2016; Cebrián y col., 2019); y de manera específica, el comportamiento de estos elementos
fue el mismo al encontrado por Gaeta y Cavazos (2016); Robles y col.
(2017); Gómez y Romero (2019). Estas coincidencias deben ser
vistas en sentido inverso, para predecir el riesgo de abandono escolar, es decir,
niveles bajos de autorregulación y de hábitos de estudio incrementarían ese
riesgo, por ello los signos negativos en los
coeficientes del modelo (exceptuando la constante).
CONCLUSIONES
Se obtuvo un modelo predictivo para el riesgo de abandono
escolar con una buena efectividad y bondad de
ajuste, que explica el 37.0 % del fenómeno. Dicho modelo excluye en su
totalidad a la variable estilo de aprendizaje e incluye las dimensiones “planificación de estudio” y “toma de apuntes”, de la variable
hábitos de estudio, y “autoeficacia para el aprendizaje”, de la variable
autorregulación del aprendizaje. La utilidad del modelo radica en que, para
predecir el riesgo, solo es necesario aplicar estas dimensiones de los
instrumentos correspondientes y se introducirían los tres valores en la función
logística, resultando un valor de entre 0 y 1. Si el resultado es menor a 0.5
significa que el estudiante se pronosticaría con un nivel de riesgo de abandono
moderado; en caso contrario, se consideraría con un riesgo de abandono alto.
Desde luego, con el establecimiento de mecanismos para mejorar o incrementar
las dimensiones ya mencionadas, se estaría en la posibilidad de reducir en
cierta medida el riesgo de abandono escolar. A nivel general, el análisis del
abandono escolar, a través de un modelo de esta índole, puede resultar una
aportación valiosa para efectos de establecer estrategias para su disminución en la población media superior mexicana, de
manera puntual, con las características de los sujetos involucrados en la
investigación. Por otro lado, las limitaciones del estudio se circunscriben a las variables incluidas para predecir el riesgo de abandono escolar, variables
que evidentemente son solo una pequeña muestra de este fenómeno multifactorial.
Por su parte, la metodología cuantitativa empleada, por su naturaleza, deja de
lado las percepciones que se tengan alrededor del fenómeno, por lo que futuras
investigaciones de orden cualitativo, aportarían información de gran valía para
conformar un modelo totalmente integral.
Referencias
Abril, E., Román, R., Cubillas,
M. y Moreno, I. (2008). ¿Deserción
o autoexclusión? Un análisis de las causas de abandono escolar en estudiantes
de educación media superior en Sonora, México. Revista
Electrónica de Investigación
Educativa. 10(1): 1-18.
Alonso, C., Gallego D. y Honey, P. (1995). Los estilos de aprendizaje.
Procedimientos de diagnóstico y mejora. (Octava edición). Madrid: Ed.
Mensajero. 222 Pp.
Bayardo,
L., Valencia, N. e Ibáñez, J. (2016). Efecto del
entrenamiento en autorregulación para el aprendizaje de la matemática. Praxis
& Saber. 8(16): 35-56.
Berlanga,
V. y Vila, R. (2014). Cómo obtener un modelo de regresión logística binaria con SPSS. REI-RE. 7(2): 105-118.
Braxton, J., Sullivan, A., and Johnson, R. (1997).
Appraising Tinto’s
Theory of college student departure. In J. Smart (Ed.), Higher Education:
Handbook of Theory and Research (pp. 107-164). New York: Agathon Press.
Capdevila, A. y Bellmunt, H. (2016). Importancia de los hábitos de estudio en el rendimiento
académico del adolescente: diferencias por género. Educatio Siglo XXI. 34(1): 157-172.
Castillo,
M., Gamboa, R. e Hidalgo, R. (2020). Factores que influyen en la deserción y
reprobación de estudiantes de un curso universitario de matemáticas. Uniciencia. 34(1): 219-245.
Castro,
J. (2011). Factores socio económicos que influyen en la deserción escolar en
los estudiantes de un sistema de preparatorias en Yucatán. En Memoria
Electrónica del XI Congreso Nacional de Investigación
Educativa. Distrito Federal: México: COMIE. 9 Pp.
Cebrián,
A., Palomares, A. y García, R. (2019). El
aprendizaje autorregulado y su efecto en el rendimiento académico.
Descripción de una experiencia con los alumnos de grado de maestro de la
Facultad de Educación en Albacete (estudio intersujetos).
En R. Roig (Ed.), Investigación e Innovación en la Enseñanza Superior.
Nuevos Contextos, Nuevas ideas (pp. 66-79). Barcelona: Octaedro.
Chilca,
M. (2017). Autoestima, hábitos de estudio y rendimiento
académico en estudiantes universitarios.
Propósitos y
Representaciones. 5(1):
71-127.
De-la-Fuente,
S. (2011). Regresión logística. Madrid: Universidad
Autónoma de Madrid. 27 Pp.
Diaz, A. y López, A. (2018). Violencia silenciosa y deserción escolar en bachillerato desde la
mirada de los estudiantes. Jóvenes en la Ciencia. 4(1): 1825-1829.
Elvira,
M. y Pujol, L. (2012). Autorregulación y rendimiento académico en la transición
secundaria-universidad. Revista Latinoamericana de Ciencias Sociales,
Niñez y Juventud. 10(1): 367-378.
Gaeta,
M. y Cavazos, J. (2016). Relación entre tiempo de estudio, autorregulación del aprendizaje y
desempeño académico en estudiantes universitarios. CPU-e. Revista de
Investigación Educativa. 23:
142-163.
García,
L. y Ortega, J. (2012). Influencia de los estilos
de aprendizaje y la autorregulación en el rendimiento escolar de los alumnos de bachillerato a distancia del Estado de México. Revista Mexicana de Bachillerato a
Distancia. 7(4):
122-131.
García,
R. y Pérez, F. (2011). Validez predictiva e incremental de las habilidades de autorregulación sobre el éxito académico en la
universidad. Revista de Psicodidáctica.
16(2): 231-250.
Gaxiola,
J., González, S. y Gaxiola, E. (2013). Autorregulación, resiliencia y metas
educativas: variables protectoras del rendimiento académico de bachilleres. Revista Colombiana de
Psicología. 22(2):
241-252.
Gómez,
J. and Romero, A. (2019). Enfoques de aprendizaje, autorregulación y
autoeficacia y su influencia en el rendimiento académico en estudiantes universitarios de Psicología. European Journal of Investigation in Health Psychology
and Education. 9(2): 95-107.
Hair,
J., Anderson R., Tatham, R. y Black, W. (1999). Análisis
multivariante (Quinta
edición). Madrid: Prentice Hall. 832 Pp.
Hernández,
A. y Vargas, E. (2016). Condiciones del trabajo estudiantil urbano y abandono escolar en el nivel medio
superior en México. Estudios Demográficos
y Urbanos. 31(3): 663-696.
Kerlinger, F. y Lee, H. (2002). Investigación del comportamiento. Métodos de
investigación en ciencias sociales. (Cuarta edición). México: McGraw Hill. 810 Pp.
López,
A., García, M. y Díaz, A. (2018). Hábitos de estudio y fracaso escolar en
educación media superior. Praxis Investigativa ReDIE.
10(18): 84-104.
López,
M. y Cubillas, M. (2017). Abandono escolar en el
modelo profesional técnico en Sonora: factores de riesgo y de
protección. Praxis Investigativa ReDIE. 10(18): 6-20.
Morfin, M., González, C. y Palomera, B. (2018). Deserción en un programa en
línea de cuatro ciclos. Revista Educateconciencia. 18(19): 39-64.
Padua,
L. (2019). Factores individuales y familiares asociados al bajo rendimiento
académico en estudiantes universitarios. Revista Mexicana de
Investigación Educativa. 24(80):
173-195.
Pérez,
L. (2001). Los factores socioeconómicos que inciden en el rezago y la deserción
escolar. En R. Chain
(Ed.), Deserción, Rezago y Eficiencia Terminal en
las IES (pp. 97-112). México: ANUIES.
Robles,
F., Galicia, I. y Sánchez, A. (2017). Orientación temporal, autorregulación y aproximación al a prendizaje en
el rendimiento académico en estudiantes universitarios. Revista Electrónica de Psicología Iztacala. 20(2): 502-518.
Roces,
C., Tourón, J. y González, M. (1995). Validación preliminar del CEAM II
(Cuestionario de Estrategias de
Aprendizaje y Motivación II). Psicológica. 16(3): 347-366.
Román, M. (2013).
Factores asociados al abandono y la deserción escolar en América Latina: una
mirada en conjunto. Revista Iberoamericana sobre Calidad, Eficacia
y Cambio en Educación.
11(2): 33-59.
Salkind, N. (1997). Métodos de Investigación. (Tercera
edición). México: Prentice Hall. 380 Pp.
Sánchez,
S. (2015). La reprobación, principal factor que origina la deserción escolar en
la educación media superior en León, Guanajuato. Reaxión.
Ciencia y Tecnología Universitaria. 1-6.
Sánchez, R., Flores, B., and Flores, F. (2016). Influencia de los hábitos de estudio en el
rendimiento académico de los estudiantes de una institución de educación media
ecuatoriana. Latin-American Journal of Physics Education Network. 10(1):
1401-1407.
SEP,
Secretaría de Educación Pública (2012). Reporte
de la Encuesta Nacional de Deserción en la Educación Media Superior. México: SEP. 167 Pp.
SEP, Secretaría de
Educación Pública (2013). Principales cifras del Sistema Educativo Nacional 2012-2013. México: SEP. 90 Pp.
SEP/FLACSO, Secretaría de
Educación Pública/Facultad Latinoamericana de Ciencias Sociales (2014). Yo no abandono. 3. Manual para impulsar
mejor hábitos de estudio en planteles de educación media superior. México: SEP y
FLACSO. 52 Pp.
Torres,
M., Tolosa, I., Urrea, M. y Monsalve, A. (2009). Hábitos de estudio vs. Fracaso académico. Revista Educación. 33(2): 15-24.
Valencia, M., Duarte, J.
y Caicedo, A. (2013). Aprendizaje autorregulado, metas académicas y rendimiento
en evaluaciones de estudiantes universitarios. Pensamiento Psicológico. 11(2): 53-70.
Vargas,
M. y Montero, E. (2016). Factores que determinan el rendimiento académico en
matemáticas en el contexto de una universidad tecnológica: aplicación de un
modelo de ecuaciones estructurales. Universitas
Pchychologica. 15(4): 1-11.
Weiss, E. (2018). Los significados del bachillerato para los jóvenes y la
permanencia escolar en México. Sinéctica.
Revista Electrónica de Educación. (51): 1-19.