Simulación computacional de predicciones de rendimiento en el contexto de pruebas estandarizadas
Resumen
Cuando una persona se enfrenta a una prueba realiza predicciones acerca de su rendimiento, estas estimaciones se conocen como juicios metacognitivos. Los juicios metacognitivos pueden diferir del rendimiento real por factores como la ansiedad, el género, entre otros. Frecuentemente la diferencia entre el juicio metacognitivo y el resultado real genera un efecto negativo que a largo plazo puede comprometer el autoconcepto de la persona. Para estimar la probabilidad de acertar un ítem en una prueba estandarizada se utiliza la ecuación de Rash que depende de dos variables, la habilidad del sujeto resolutor en el constructo y la dificultad del ítem. La hipótesis del presente estudio es que los humanos realizamos un proceso análogo al descrito por la ecuación de Rash para establecer los juicios metacognitivos. El presente estudio tiene como objetivo proponer un modelo computacional de la relación entre el desempeño de ítems en pruebas estandarizadas de matemática y los juicios metacognitivos de la predicción del rendimiento. Se realizaron múltiples simulaciones computacionales en la cuales se asume la ecuación de Rash para generar estimaciones de las posibilidades de los sujetos de acertar un ítem alterando mediante errores aditivos los parámetros de habilidad del sujeto y dificultad del ítem. Se compararon estas simulaciones con juicios metacognitivos emitidos por estudiantes en pruebas anteriores y se encontraron dos simulaciones con resultados similares a la de los datos reales.
Citas
Alfaro, A. (2014). Experiencias metacognitivas y su relación con la autoeficacia, la habilidad matemática, la dificultad de la tarea y el rendimiento académico [Tesis de maestría, Universidad de Costa Rica].
Allueva, P. (2002). Conceptos básicos sobre metacognición. En Desarrollo de habilidades metacognitivas: programa de intervención (pp. 59-85). Consejería de Educación y Ciencia. Diputación General de Aragón.
Budiño Sánchez, M. y Sánchez Fuentes, D. (2016). La paradoja del tabaco. Revista Clínica Española: publicación oficial de la Sociedad Española de Medicina Interna, 216(6), 308-310. DOI: https://doi.org/10.1016/j.rce.2016.06.001
Camerer, C. y Lovallo, D. (1999). Overconfidence and excess entry: An experimental approach. The American Economic Review, 89(1), 306-318. DOI: https://doi.org/10.1257/aer.89.1.306
Castro, E. M. (2019). Bioestadística aplicada en investigación clínica: conceptos básicos. Revista Médica Clínica Las Condes, 30(1), 50-65. DOI: https://doi.org/10.1016/j.rmclc.2018.12.002
Consejo Nacional de Rectores (Conare). (2017). Cuarto Informe Estado de la Educación. https://repositorio.conare.ac.cr/handle/20.500.12337/672
Corrales, E. (2015). Ocurrencia del juicio metacognitivo en la resolución de problemas por insight [Tesis de maestría, Universidad de Costa Rica].
Curşeu, P. L., Krehel, O., Evers, J. H. y Muntean, A. (2014). Cognitive distance, absorptive capacity and group rationality: A simulation study. PloS one, 9(10), e109359. DOI: https://doi.org/10.1371/journal.pone.0109359
Efklides, A. (2006). Metacognition and affect: What can metacognitive experiences tell us about the learning process. Educational Research Review, 1(1), 3-14. DOI: https://doi.org/10.1016/j.edurev.2005.11.001
Efklides, A. y Petkaki, C. (2005). Effects of mood on students' metacognitive experiences. Learning and Instruction, 15(5), 415-431. DOI: https://doi.org/10.1016/j.learninstruc.2005.07.010
Efklides, A. y Tsiora, A. (2002). Metacognitive experiences, self-concept, and self-regulation. Psychologia, 45(4), 222-236. DOI: https://doi.org/10.2117/psysoc.2002.222
Flavell, J. H. (1976) Metacognitive aspects of problem solving. En L. B. Resnick (ed.), The nature of intelligence (pp. 231-235). Lawrence Erlbaum Associates. DOI: https://doi.org/10.4324/9781032646527-16
Gigerenzer, G. (2021). Axiomatic rationality and ecological rationality. Synthese, 198, 3547-3564. https://doi.org/10.1007/s11229-019-02296-5 DOI: https://doi.org/10.1007/s11229-019-02296-5
Insabato, A., Pannunzi, M., Rolls, E. T. y Deco, G. (2010). Confidence-related decision making. Journal of Neurophysiology, 104(1), 539-547. DOI: https://doi.org/10.1152/jn.01068.2009
Kaber, D. B. y Kim, S. H. (2011). Understanding cognitive strategy with adaptive automation in dual-task performance using computational cognitive models. Journal of Cognitive Engineering and Decision Making, 5(3), 309-331. DOI: https://doi.org/10.1177/1555343411416442
Kepecs, A. y Mainen, Z. (2012). A computational framework for the study of confidence in humans and animals. Philosophical Transactions of the Royal Society, 367, 1322-1337. DOI: https://doi.org/10.1098/rstb.2012.0037
Macbeth, G. (2009). Distorsiones del éxito subjetivo en la resolución de problemas matemáticos. Boletín de Psicología, 95(1), 59-72.
Macbeth, G. y Razumiejczyk, E. (2008). Disolución del sesgo de subconfianza en tareas verbales. Anales de Psicología, 24(1), 143-149.
Macbeth, G., López Alonso, A. O., Razumiejczyk, E., Sosa, R. A., Pereyra, C. I. y Fernández, H. (2009). Sesgos de la calibración en tareas de razonamiento lógico. SUMMA Psicológica UST, 6(2), 19-30. DOI: https://doi.org/10.18774/448x.2009.6.59
Montero, E. y Rojas, S. (2012). Cuarto Informe Estado de la Educación. Aporte especial: El modelo de Rasch: una herramienta esencial para la evaluación educativa de gran escala. Consejo Nacional de Rectores. https://repositorio.conare.ac.cr:8443/rest/bitstreams/40c056af-acac-4f10-8f9a-6071a69b842b/retrieve
Oskamp, S. (1965): Overconfidence in case-study judgments. The Journal of Consulting Psychology, 29, 261-265. DOI: https://doi.org/10.1037/h0022125
Prieto, G. y Delgado, A. R. (2003). Análisis de un test mediante el modelo de Rasch. Psicothema, 15(1), 94-100.
Rolls, E. T., Grabenhorst, F. y Deco, G. (2010). Choice, difficulty, and confidence in the brain. Neuroimage, 53(2), 694-706. DOI: https://doi.org/10.1016/j.neuroimage.2010.06.073
Searle, J. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424. https://doi.org/10.1017/S0140525X00005756 DOI: https://doi.org/10.1017/S0140525X00005756
Summerfield, C. y Yeung, N (2014). Shared mechanisms for confidence judgements and error detection in human decision making. En S. M. Fleming y C. D. Frith (eds.), The cognitive neuroscience of metacognition (pp. 147-167). Springer. DOI: https://doi.org/10.1007/978-3-642-45190-4_7
Thilakarathne, D. J. y Treur, J. (2015). Computational cognitive modelling of action awareness: Prior and retrospective. Brain Informatics, 2(2), 77. DOI: https://doi.org/10.1007/s40708-015-0013-3
Valenzuela, Á. (2018). La metacognición en los procesos de lectura y escritura académica: ¿qué nos dice la literatura? Lenguaje, 46(1), 69-93. DOI: https://doi.org/10.25100/lenguaje.v46i1.6197
Vancouver, J. B. y Purl, J. D. (2017). A computational model of self-efficacy’s various effects on performance: Moving the debate forward. Journal of Applied Psychology, 102(4), 599. DOI: https://doi.org/10.1037/apl0000177
Wilson, J. (1997) Beyond the basics: Assessing student's metacogition [Paper presented at The Hong Kong Educational Research Conference]. Hong Kong.
Descargas
Derechos de autor 2025 Revista Colombiana de Educación
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
