Cómo citar este artículo:
Mujib,
M., & Mardiyah, M. (2025). Evaluación de actitudes hacia la ciencia,
tecnología, ingeniería y matemáticas (STEM) para fomentar la creatividad en la
educación secundaria [Assessing Attitudes Toward Science, Technology,
Engineering, and Mathematics (STEM) for Enhancing Creativity in Secondary
Education]. Pixel-Bit. Revista De Medios Y Educación, 72, 39–69. https://doi.org/10.12795/pixelbit.109760
RESUMEN
ABSTRACT
Students' attitudes towards
subjects such as science, technology, engineering, and mathematics (STEM) play
a crucial role in the 21st-century learning process. Increasing the number of
students pursuing careers in STEM has been widely recognized as important.
Consequently, enhancing students' learning and engagement in STEM subjects, as
well as fostering positive attitudes toward STEM, has become a primary
objective for K-12 STEM education. However, measuring such attitudes in a
learning context remains a significant challenge. This research aimed to
develop a comprehensive and valid assessment tool to evaluate students' attitudes
toward STEM in a learning context for enhancing students creativity. The sample
for this research consisted of 311 secondary school students aged 12.83 ± 1.04
years. The validity of the four-factor structure of the model was evaluated
using confirmatory factor analysis. Reliability values for the four factors
ranged between .73 and .94 with Cronbach Alpha, while those for composite
reliability ranged between .97 and .97. The relationship between variables in
attitudes toward the STEM instrument identified various path coefficients and
effect sizes, indicating strong correlations between the STEM attitude
variables. The analysis revealed significant differences according to grade
level, with grade 9 students showing better or at least competitive performance
in most disciplines. This questionnaire was found to be a feasible instrument
to assess secondary school students' STEM attitudes. These findings have
important implications for STEM education strategies, emphasizing the need for
sustained and focused approaches to deep learning experiences for all students,
regardless of gender.
PALABRAS CLAVES· KEYWORDS
Actitudes estudiantiles; Creatividad; Educación secundaria;
Evaluación de actitudes; Educación STEM; Autoeficacia; Análisis factorial
confirmatorio;
Student attitudes; Creativity; Secondary education;
Attitude assessment; STEM education; Self-efficacy; Confirmatory factor
analysis
1. Introducción
Las actitudes de los estudiantes hacia asignaturas
como ciencia, ingeniería y matemáticas (STEM) desempeńan un papel importante en
el proceso de aprendizaje del siglo XXI. La importancia de aumentar el número
de estudiantes indonesios que eligen carreras en STEM ha sido ampliamente
reconocida y documentada (Rusmana et al.,
2021). Las proyecciones de empleo para grupos de ocupaciones de 2020 a 2030
indican un crecimiento significativo en varios campos STEM. Se espera que las
ocupaciones de científicos de datos y ciencias matemáticas aumenten en un
31,4%, los estadísticos en un 35,4% y los asistentes de terapeutas físicos en
un 35,4%. En ingeniería, se proyecta que los instaladores de paneles
fotovoltaicos solares crezcan en un 52,1%, y los técnicos de servicio de
turbinas eólicas en un 68,2% (Dubina et
al., 2021). Por lo tanto, mejorar el aprendizaje y la participación de los
estudiantes en las asignaturas STEM, así como fomentar actitudes positivas
hacia STEM, se ha convertido en un objetivo principal para la educación STEM en
K-12 en Indonesia.
La creatividad también es un componente crucial de la
educación STEM, ya que fomenta el pensamiento innovador y las habilidades de
resolución de problemas esenciales para abordar desafíos del mundo real (Siew y
Ambo, 2018). Investigaciones anteriores han demostrado que las actitudes
positivas hacia estas asignaturas pueden aumentar la motivación de aprendizaje,
la participación de los estudiantes en el proceso de aprendizaje y el
rendimiento académico en general (Sölpük, 2017). Además, la incorporación del pensamiento
de diseńo en la educación STEM ha mejorado la creatividad y las habilidades de
resolución de problemas de los nińos (Yalçın y Erden, 2021). Sin embargo,
medir tales actitudes en un contexto de aprendizaje sigue siendo un desafío
significativo. Por lo tanto, es importante desarrollar herramientas de
evaluación efectivas para evaluar las actitudes de los estudiantes hacia STEM y
hacer el proceso de aprendizaje en el aula más eficiente y efectivo.
El desarrollo de un instrumento de actitudes hacia
STEM es importante ya que permite una evaluación más integral de las actitudes
de los estudiantes hacia ciencia, tecnología, ingeniería y matemáticas. Con una
buena herramienta de evaluación, los educadores pueden comprender las
preferencias, inclinaciones y percepciones de los estudiantes hacia estas
asignaturas. Además, el desarrollo de un instrumento para actitudes hacia STEM
es importante para hacer un seguimiento de los cambios en las actitudes de los estudiantes
a lo largo del tiempo. Esto permite medir la efectividad de los programas de
aprendizaje que se centran en conceptos STEM.
Investigaciones anteriores han destacado varios
aspectos de las actitudes de los estudiantes hacia STEM. Algunos de estos
aspectos incluyen el interés en el aprendizaje, la autoconfianza, el valor
percibido de la asignatura, así como el deseo de ser activo en el aprendizaje
(Edwards et al., 2023; Kong y Mohd
Matore, 2022; Macun y Cemalettin, 2022; Temel, 2023). Es importante poder medir
exactamente estos aspectos al diseńar una herramienta de evaluación integral.
Además, una herramienta de evaluación efectiva también debería poder
proporcionar información valiosa a los educadores para comprender el nivel de
actitudes de los estudiantes hacia la asignatura. Investigaciones previas
enfatizan que este tipo de herramientas de evaluación deberían proporcionar información
medible, válida y confiable para los profesores al ajustar sus métodos de
enseńanza (Guŕrdia et al., 2023).
Sin embargo, diseńar una herramienta de evaluación
para medir las actitudes de los estudiantes hacia STEM no es una tarea fácil.
Recientemente, se han creado varios instrumentos para medir las actitudes de
los estudiantes hacia los cuatro campos STEM en conjunto. Sin embargo, estos
instrumentos carecen de ítems que aborden la educación STEM integrada, que
enfatiza la fusión de las cuatro áreas temáticas (e.g., Antonietti et al., 2023; Benek y Akcay, 2019;
Wahono y Chang, 2019; Wicaksono y Korom, 2023). Por ejemplo, Antonietti et al. (2023) han desarrollado la escala
de Tecnología ICAP para medir cómo se integra la tecnología en las actividades
de aprendizaje en el contexto alemán. Los resultados han mostrado que las
cuatro escalas desarrolladas han sido confiables, válidas y han tenido una
relación positiva en cada escala. Además, Wicaksono y Korom (2023) han
desarrollado un instrumento para medir las actitudes hacia la ciencia con una
muestra de estudiantes en educación superior. Los resultados han mostrado que
el instrumento ha tenido buenas propiedades psicométricas y puede ser
confiable; el valor de buen ajuste basado en el modelo de Rasch también puede
ser confiable. Aunque el estudio ha sido en el contexto de Indonesia, la
muestra ha sido en el contexto de educación superior. La investigación
proporciona información sobre el desarrollo de herramientas de medición de
evaluación, pero se ha limitado al alcance de la muestra, como escuelas
primarias, educación superior y contextos occidentales. Esto proporciona una
buena oportunidad para desarrollar herramientas de evaluación STEM en el
contexto de estudiantes de secundaria.
Por lo tanto, esta investigación tiene como objetivo
desarrollar una herramienta de evaluación completa y válida para evaluar las
actitudes de los estudiantes hacia STEM en un contexto de aprendizaje para
mejorar la creatividad de los estudiantes. La investigación aborda las
siguientes preguntas:
·
żSon confiables y válidos los instrumentos para medir
actitudes hacia STEM?
·
żCuál es la relación entre las variables en las
actitudes hacia el instrumento STEM?
·
żExisten diferencias en las actitudes de los
estudiantes hacia STEM basadas en antecedentes de la muestra, como género y
grado?
1.1. Educación STEM
El desarrollo del cuestionario de actitudes hacia STEM
se basa en la teoría del aprendizaje y la psicología cognitiva, involucrando el
concepto de autoeficacia, como lo explica Bandura (1969). La teoría de la
autoeficacia postula que la creencia de un individuo en sus propias habilidades
influye en su comportamiento, motivación y logros. En el contexto de las
actitudes hacia STEM, la autoeficacia juega un papel crucial en la formación de
las percepciones de los estudiantes sobre su capacidad para dominar las
asignaturas STEM (Luo et al., 2021).
Al desarrollar el instrumento de actitudes hacia STEM, el concepto de
autoeficacia se vuelve relevante porque afecta cómo de seguros se sienten los
estudiantes al abordar las lecciones de STEM (DeCoito y Myszkal, 2018). Los
estudiantes con alta autoeficacia en STEM tienden a tener actitudes más
positivas hacia estas asignaturas (Blotnicky et al., 2018), se sienten más capaces de dominar el material
(Cervone et al., 2020) y están más
motivados para aprender (Kryshko et al.,
2022). Al basarse en el concepto fundamental de autoeficacia en la evaluación
de actitudes hacia STEM, es crucial reconocer su naturaleza multifacética y sus
amplias implicaciones. La autoeficacia en STEM suele ser específica de cada
dominio, variando entre disciplinas (Thompson et al., 2024) e influenciando significativamente las aspiraciones
profesionales de los estudiantes (Rosenzweig y Chen, 2023). Se cruza con
factores importantes como el género, la diversidad y el contexto cultural
(Ogodo, 2023; Sparks et al., 2023),
lo que requiere un enfoque matizado en el diseńo del cuestionario. El concepto
está estrechamente vinculado con la mentalidad de crecimiento, la persistencia
y la resiliencia en el aprendizaje de STEM (Höhne et al., 2024), así como moldeado por experiencias pasadas y
sistemas de apoyo social (Akiri y Dori, 2022).
La teoría de la autoeficacia
de Bandura (1997) también proporciona una visión de cómo las percepciones de
los estudiantes sobre el éxito y el fracaso en el contexto de STEM pueden
moldear sus actitudes hacia estas asignaturas (Van Aalderen-Smeets y Walma Van
Der Molen, 2018). Si los estudiantes se sienten capaces de superar dificultades
y desafíos en el aprendizaje de STEM (Wilson, 2021), es probable que tengan una
actitud más positiva hacia estas asignaturas (X. Wang, 2013). Estas teorías ven
las actitudes como construcciones mentales que influyen en la percepción y el
comportamiento de un individuo. La base teórica incluye conceptos de
aprendizaje que enfatizan la interacción entre factores ambientales y la
personalidad en la formación de la actitud hacia STEM.
Las actitudes de los
estudiantes hacia STEM son un foco principal en el desarrollo de esta
herramienta de evaluación. Según una investigación de Osborne dkk. (2003), las
actitudes abarcan aspectos como sentimientos positivos o negativos hacia STEM,
el valor percibido de STEM y el interés en actividades relacionadas con este
campo. Su investigación muestra que una actitud positiva hacia STEM está
estrechamente relacionada con la motivación intrínseca en el aprendizaje y la
participación de los estudiantes en el proceso de aprendizaje.
Numerosos estudios vinculan
las actitudes positivas hacia STEM con el éxito académico y el interés por
carreras en los campos de la ciencia y la tecnología (Durakovic, 2022; Göktepe
Körpeoğlu y Göktepe Yıldız, 2023; Óturai et al., 2023). El cuestionario de actitudes hacia STEM permite identificar
las variables clave que influyen en el interés de los estudiantes por estas
ciencias. También ayuda a los investigadores a desarrollar estrategias de
aprendizaje más efectivas y atractivas para los estudiantes. Además, el
cuestionario de actitudes hacia STEM es un instrumento importante para evaluar
la efectividad de los planes de estudio de STEM. Al obtener información sobre
las actitudes de los estudiantes hacia estas asignaturas, los educadores pueden
ajustar los métodos de enseńanza y el contenido curricular para que sean más
relevantes y atractivos para los estudiantes.
Investigaciones anteriores
muestran que los estudiantes con actitudes positivas hacia STEM tienden a tener
un mayor interés en seguir carreras en estos campos (Chiu y Li, 2023; Ozulku y
Kloser, 2023; Xu y Lastrapes, 2022), motivación (Dökme et al., 2022), emocional (Koul et
al., 2023). Por lo tanto, el cuestionario de actitudes hacia STEM ayuda a
identificar factores que fomentan el interés de los estudiantes por continuar
su educación en campos STEM a niveles superiores.
1.2. Innovación STEM en la
educación secundaria
El aprendizaje STEM en el nivel de educación
secundaria requiere un enfoque holístico e integrado para enseńar conceptos
STEM a los estudiantes (English, 2016). Según Asigigan y Samur (2021), un
enfoque efectivo de aprendizaje STEM debe promover la resolución de problemas,
el pensamiento crítico y la aplicación de conceptos teóricos en contextos del
mundo real. Esto ayuda a desarrollar en los estudiantes habilidades de
pensamiento creativo (Suherman y Vidákovich, 2024), colaboración (Chen et al., 2019) y resolución de problemas
complejos (Tan et al., 2023), todas
las cuales contribuyen a actitudes positivas hacia STEM (Steinberg y Diekman,
2017). Además, la evaluación del aprendizaje STEM en el nivel de educación
secundaria requiere herramientas efectivas que puedan evaluar la comprensión y
la aplicación de los conceptos STEM por parte de los estudiantes (Saxton et al., 2014). Estas herramientas no
solo deben medir el logro académico, sino también evaluar la capacidad de los
estudiantes para innovar, analizar datos y aplicar principios científicos en
contextos prácticos. Tales evaluaciones son cruciales para asegurar que los
estudiantes estén preparados para enfrentar los desafíos de los avances
tecnológicos y científicos actuales.
La motivación para aprender es un factor crucial en la
medición de las respuestas de los estudiantes a la educación STEM. Según Eccles
y Wigfield (2002), la motivación para el aprendizaje abarca los deseos
intrínsecos y extrínsecos de los estudiantes para lograr metas académicas y
desarrollo personal en el contexto del aprendizaje STEM. La motivación
intrínseca está estrechamente relacionada con el interés de los estudiantes en
los campos STEM, mientras que la motivación extrínseca puede estar influenciada
por factores externos como recompensas o elogios de otros. La incorporación de
estrategias motivacionales en la educación STEM puede fomentar una actitud más
positiva entre los estudiantes hacia estas asignaturas. Además, la integración
de disciplinas STEM, apoyada por la tecnología y las matemáticas, puede mejorar
el logro de los estudiantes en todos los campos científicos (Farida et al., 2024; Komarudin y Suherman,
2024; Nguyen et al., 2020).
Investigaciones recientes han destacado la importancia
de la integración tecnológica y los enfoques pedagógicos innovadores en la
mejora de la educación STEM en el nivel secundario. El uso de tecnologías de
realidad aumentada (AR) y realidad virtual (VR) en las aulas de STEM ha
mostrado resultados prometedores al aumentar la participación y la comprensión
conceptual de los estudiantes (T. Lee et
al., 2022). Además, se ha encontrado que los enfoques de aprendizaje basado
en proyectos (PBL) en la educación STEM mejoran significativamente las
habilidades de resolución de problemas de los estudiantes y sus actitudes hacia
las asignaturas STEM (AlAli, 2024). La incorporación del pensamiento
computacional en los planes de estudio de STEM también ha ganado terreno, con
estudios que muestran su impacto positivo en las habilidades analíticas de los
estudiantes y sus competencias para el futuro (H.-Y. Lee et al., 2023). Además, el desarrollo de una identidad STEM entre
los estudiantes de secundaria se ha identificado como un factor crucial en su
compromiso a largo plazo con los campos STEM, enfatizando la necesidad de una
educación STEM culturalmente receptiva que resuene con poblaciones
estudiantiles diversas (Xie y Ferguson, 2024).
1.3. Herramientas de
evaluación para medir STEM
Durante las últimas cinco décadas, el desarrollo de
herramientas de medición para evaluar la educación STEM ha evolucionado
significativamente (Okulu y Oguz-Unver, 2021). La necesidad de evaluar varios
aspectos de la educación STEM ha llevado a la creación de numerosas
herramientas de evaluación, cada una con el objetivo de medir diferentes
dimensiones, como conocimientos, habilidades, actitudes y autoeficacia entre
los estudiantes.
Los primeros esfuerzos para desarrollar herramientas
de evaluación STEM se centraron principalmente en evaluar los resultados del
aprendizaje cognitivo. Los exámenes y pruebas tradicionales fueron los métodos
primarios utilizados para medir la comprensión de los estudiantes sobre
conceptos y principios científicos. Durante las décadas de 1970 y 1980, las
pruebas estandarizadas como el SAT y el ACT incluyeron secciones para evaluar
el razonamiento matemático y científico, proporcionando una medida amplia pero
limitada de los resultados de la educación STEM (Clarke et al., 2000). A finales del siglo XX y principios del XXI, el
enfoque se desplazó hacia la creación de herramientas de evaluación más
integradas y completas que pudieran evaluar múltiples dimensiones de la
educación STEM simultáneamente. Instrumentos como la Encuesta de Actitudes de
los Estudiantes hacia STEM (S-STEM) (Unfried et al., 2015) y la Encuesta de Semántica STEM (Knezek y
Christensen, 2008) fueron desarrollados para proporcionar una visión más
holística de las experiencias y actitudes de los estudiantes hacia las materias
STEM. La encuesta S-STEM, desarrollada por Unfried et al. (2015), incluyó escalas para ciencia, tecnología, ingeniería
y matemáticas, así como habilidades del siglo XXI. Esta herramienta fue
diseńada para medir la autoeficacia, el interés y el valor percibido de los
estudiantes hacia las materias STEM. La Encuesta de Semántica STEM (Knezek y
Christensen, 2008) también buscaba evaluar las actitudes de los estudiantes
hacia STEM al analizar sus sentimientos y creencias sobre las materias. Además,
la investigación realizada por Suprapto (2016) se ha centrado en el desarrollo
de actitudes hacia STEM. Sin embargo, estos instrumentos fueron diseńados
específicamente para medir actitudes hacia campos individuales de STEM.
La investigación de Wan et al. (2022) ha desarrollado y validado una escala
multidimensional para medir las experiencias de los estudiantes en el
aprendizaje basado en proyectos STEM (PBL). La escala incluye cuatro
dimensiones clave: participación en el aprendizaje, colaboración, creatividad y
relevancia en el mundo real, con alta fiabilidad y validez (alfa de Cronbach de
0,75 a 0,89). Aunque la escala es una herramienta valiosa para evaluar el PBL
en STEM, sus limitaciones incluyen un tamańo de muestra y un alcance geográfico
reducidos, lo cual podría afectar su generalización. Tampoco toma en cuenta
factores externos como el apoyo del profesor o las variaciones del currículo,
lo que sugiere la necesidad de estudios más amplios para abordar estas brechas.
Al mismo tiempo, Wicaksono y Korom (2023) han desarrollado y validado un
cuestionario para evaluar las actitudes hacia la ciencia entre candidatos a
maestros de ciencias y estudiantes de ingeniería en Indonesia. El cuestionario
se ha centrado en dimensiones como el interés por la ciencia, la relevancia
percibida y la autoeficacia, mostrando alta consistencia interna (alfa de
Cronbach de 0,80 a 0,92). Sin embargo, las limitaciones del estudio incluyen un
enfoque en poblaciones específicas de estudiantes de ciencias en Indonesia, lo
que podría limitar su aplicabilidad a otros contextos o campos. Además, no se
han explorado completamente otras materias (es decir, matemáticas, ingeniería,
tecnología) que podrían influir en las actitudes de los estudiantes, lo que
indica la necesidad de investigaciones adicionales. En otras palabras, S.-P.
Tsai et al. (2023) han creado y
validado inicialmente una escala dirigida a evaluar las actitudes de los
estudiantes de secundaria hacia el aprendizaje STEM. Los resultados han
demostrado una fuerte consistencia interna y han confirmado la estructura de
cuatro factores a través del análisis factorial. Sin embargo, las limitaciones
incluyen el enfoque reducido en un grupo específico de estudiantes de
secundaria, lo que podría limitar la generalización de los resultados. Se
necesita investigación adicional y validación en diversos entornos culturales y
grupos de edad para expandir su uso.
Además, la integración de técnicas psicométricas
avanzadas y métodos estadísticos ha mejorado la fiabilidad y validez de las
herramientas de evaluación STEM. La teoría de respuesta al ítem (IRT) y el
análisis factorial se utilizan comúnmente para refinar y validar estos
instrumentos, asegurando que midan con precisión los constructos previstos.
Dadas las limitaciones de las herramientas de medición de actitudes hacia STEM
existentes, particularmente en términos de generalización y aplicabilidad en
diferentes contextos culturales y educativos, existe una clara necesidad de
instrumentos específicamente diseńados para el contexto indonesio. Además,
considerando la importancia de abordar las necesidades educativas locales y el
panorama STEM en evolución, el desarrollo de una herramienta de evaluación
contextualmente relevante proporcionaría a los educadores y responsables de
políticas información valiosa para mejorar el compromiso y los resultados en
STEM en Indonesia.
2. Metodología
2.1. Participantes
La muestra de esta investigación ha consistido en 311 estudiantes
de secundaria de entre 11 y 14 ańos (Media de edad = 12.83; SD = 1.04). La
mayoría de los participantes han sido mujeres (80.1%). Los estudiantes han sido
seleccionados al azar de 19 escuelas secundarias diferentes en Bandar Lampung,
Indonesia, y han completado un cuestionario en línea que ha tomado un promedio
de 15 minutos en completarse. El estudio ha sido aprobado por la Junta de
Revisión Institucional de Universitas
Negeri Raden Intan Lampung, Indonesia, cumpliendo con las pautas éticas establecidas por
la institución. La información demográfica detallada sobre los participantes se
presenta en la Tabla 1.
Tabla 1
Características de
los participantes
2.2. Instrumentos
En esta investigación, se han examinado los
instrumentos desarrollados por Unfried et
al. (2015) a través de cuatro escalas: ciencia (8 ítems), tecnología/ingeniería
(9 ítems), matemáticas (4 ítems) y habilidades del siglo XXI (11 ítems). Se ha
solicitado a los estudiantes indicar su nivel de acuerdo con cada afirmación
utilizando una escala Likert de 5 puntos que va de 1 (totalmente en desacuerdo)
a 5 (totalmente de acuerdo). Además, los estudiantes han proporcionado
información demográfica, incluida la edad, el género, el grado, la ubicación de
la escuela y el lugar de residencia.
2.3. Procedimiento
El cuestionario original ha sido creado en inglés.
Dado que los estudiantes de nuestra muestra hablaban principalmente indonesio
como su lengua materna y el inglés como segunda lengua, ha sido necesario
traducir el cuestionario al indonesio. Esto ha garantizado que todos los
participantes pudieran comprender el contenido, mejorando así la validez del
instrumento mediante una traducción precisa. La traducción ha sido realizada
por un equipo formado por un doctorado del Reino Unido, un candidato a doctorado
de Irlanda y un candidato a doctorado de Japón, todos con amplia experiencia en
ciencias, matemáticas, ingeniería y lingüística. Las versiones traducidas han
sido revisadas, comparadas y analizadas minuciosamente. Se han realizado
ajustes menores en la elección de palabras para clarificar cualquier punto
ambiguo. Posteriormente, una versión de prueba del cuestionario en indonesio ha
sido enviada por correo electrónico a expertos en el campo para su revisión.
Estos expertos han evaluado la validez de las preguntas y del contenido
general, sugiriendo palabras y frases específicas para garantizar claridad y
comprensión.
2.4. Análisis de datos
En el análisis de datos, los investigadores emplearán
SPSS versión 29, Winstep versión 4.0 y software R. Se utilizará SPSS para
examinar estadísticas descriptivas como media, mediana y desviación estándar,
proporcionando una visión general de la distribución de los datos. Se realizará
un análisis factorial confirmatorio (AFC) para evaluar el ajuste del modelo
dentro del modelo de medición (Jomnonkwao y Ratanavaraha, 2016). El AFC sigue
índices de ajuste para evaluar la adecuación del modelo, incluyendo el Índice
de Ajuste Comparativo (CFI), el Índice de Tucker–Lewis (TLI), el Índice de
Bondad de Ajuste (GFI), el Error Cuadrático Medio de Aproximación (RMSEA), el
Residuo Medio Cuadrático Estandarizado (SRMR) y el índice Kaiser-Meyer-Olkin
(KMO) (Kline, 2015). Los valores de corte para cada parámetro son CFI > .90;
TLI > .90; RMSEA < .08; y SRMR < .06 (Boone et al., 2014; Hu y Bentler, 1999). Además, se ha realizado un
análisis de componentes principales y se han excluido los ítems con valores
inferiores a 0.3 para su consideración adicional. Varios ítems que han caído
por debajo de este umbral han sido eliminados de la base de datos. Esto se
alinea con el valor de umbral recomendado de .40 sugerido por expertos en
investigación en ciencias sociales (Straub et
al., 2004).
Asimismo, se representarán matemáticamente las
estadísticas de chi-cuadrado, incluyendo los grados de libertad y valores p.
Según Kline (2015), las estadísticas de la prueba de chi-cuadrado son muy
sensibles al tamańo de la muestra, encontrándose valores de chi-cuadrado
estadísticamente significativos con mayor frecuencia en muestras grandes. El
estudio también realizará análisis de confiabilidad y validez del instrumento.
La confiabilidad de constructo se evaluará mediante el alfa de Cronbach, la
confiabilidad compuesta (rho_c) y la varianza media extraída (VME). La validez
discriminante se evaluará utilizando la relación HTMT0.90 de correlaciones
entre los cuatro factores. Además, el software R se utilizará para analizar el
desempeńo de los participantes en relación con el instrumento de actitudes
hacia STEM, empleando gráficos de violín (Phillips, 2017).
3. Resultados
3.1. AFC
Se ha utilizado el AFC para confirmar los factores
latentes en el modelo de medición, lo que ha indicado que todos los factores
latentes han funcionado bien y han alcanzado el índice GoF (Goodness of Fit).
Siguiendo las recomendaciones de Chuah et
al. (2016), hemos realizado un análisis de la confiabilidad del constructo
y de la validez discriminante. Para evaluar el ajuste del modelo, hemos creado
un diagrama de AFC en el modelo de medición utilizando el plugin pattern matrix
builder de Gaskin y Lim (2016). En este modelo estructural, las flechas de una
sola cabeza indican la dirección hipotetizada unidireccional en el modelo
estructurado, mientras que las flechas de dos cabezas indican correlaciones
entre dos variables en el modelo estructurado. Las variables latentes (por
ejemplo, factores del cuestionario) están representadas por óvalos, mientras
que las variables observadas (por ejemplo, los ítems del cuestionario) están
representadas por rectángulos. Los círculos pequeńos en el gráfico representan
los errores de medición asociados con cada indicador observado.
En este estudio, hemos encontrado que los factores de
carga no cumplían con los criterios de umbral (Straub et al., 2004). Por lo tanto, hemos eliminado cuatro ítems con
valores de factores de carga inferiores a 0.30. Estos incluyeron las
afirmaciones MA1 ((-) Las matemáticas son mi peor asignatura), MA3 ((-) Las
matemáticas son difíciles para mí), MA4 (Soy el tipo de estudiante que rinde
bien en matemáticas) y MA5 ((-) Puedo manejar la mayoría de las asignaturas
bien, pero no puedo hacer matemáticas bien). Hemos analizado el informe
utilizando índices de modificación y covarianzas con ítems en el mismo factor
que tenían valores superiores a 0.3 para obtener resultados sobresalientes y
mejorar el ajuste del modelo en el AFC. Se ha obtenido un ajuste más preciso
del modelo (χ^2 = 1094.076; χ^2/df = 457; p <
0.001; CFI = 0.906; TLI = 0.898; RMSEA = 0.067; y SRMR = 0.055). El diagrama AFC
y los índices de modificación se muestran en la Figura 1, y los valores de
carga factorial se muestran en la Tabla 2.
Tabla 2
Carga factorial de
los ítems
No. Ítem |
Ítems |
Siglo XXI |
Tecnología / Ingeniería |
Matemáticas |
Ciencia |
||||||
SK1 |
Confío en que
puedo ayudar a otros a lograr una meta. |
.78 |
|
|
|
|
|||||
SK2 |
Confío en que puedo animar a
otros a dar lo mejor de sí mismos. |
.84 |
|
|
|
|
|||||
SK3 |
Confío en que
puedo producir un trabajo de alta calidad. |
.85 |
|
|
|
|
|||||
SK4 |
Confío en que
puedo respetar las diferencias de mis compańeros. |
.85 |
|
|
|
|
|||||
SK5 |
Confío en que
puedo ayudar a mis compańeros. |
.86 |
|
|
|
|
|||||
SK6 |
Confío en que
puedo incluir las perspectivas de los demás al tomar decisiones. |
.79 |
|
|
|
|
|||||
SK7 |
Confío en que
puedo hacer cambios cuando las cosas no salen según lo planeado. |
.77 |
|
|
|
|
|||||
SK8 |
Confío en que
puedo establecer mis propios objetivos de aprendizaje. |
.83 |
|
|
|
|
|||||
SK9 |
Confío en que
puedo gestionar mi tiempo sabiamente cuando trabajo por mi cuenta. |
.86 |
|
|
|
|
|||||
SK10 |
Cuando tengo
muchas tareas, puedo elegir cuáles deben hacerse primero. |
.82 |
|
|
|
|
|||||
SK11 |
Confío en que
puedo trabajar bien con estudiantes de diferentes contextos. |
.82 |
|
|
|
|
|||||
EN1 |
Me gusta
imaginar la creación de nuevos productos. |
.74 |
|
||||||||
EN2 |
Si aprendo ingeniería,
entonces puedo mejorar cosas que la gente usa todos los días. |
.74 |
|
||||||||
EN3 |
Soy bueno/a
construyendo y arreglando cosas. |
.70 |
|
||||||||
EN4 |
Me interesa lo
que hace que las máquinas funcionen. |
.60 |
|
||||||||
EN5 |
Diseńar productos
o estructuras será importante para mi trabajo futuro. |
.77 |
|
||||||||
EN6 |
Tengo
curiosidad por cómo funcionan los aparatos electrónicos. |
.72 |
|
||||||||
EN7 |
Me gustaría usar
la creatividad y la innovación en mi trabajo futuro. |
.80 |
|
||||||||
EN8 |
Saber cómo usar
las matemáticas y la ciencia juntas me permitirá inventar cosas útiles. |
.73 |
|
||||||||
EN9 |
Creo que puedo tener
éxito en una carrera en ingeniería. |
.69 |
|
||||||||
MA2 |
Consideraría
elegir una carrera que utilice matemáticas. |
.39 |
|
||||||||
MA6 |
Estoy seguro/a de
que podría hacer trabajos avanzados en matemáticas. |
.70 |
|
||||||||
MA7 |
Puedo sacar
buenas notas en matemáticas. |
.78 |
|
||||||||
MA8 |
Soy bueno/a en
matemáticas. |
.56 |
|
||||||||
SC1 |
Estoy seguro/a de
mí mismo/a cuando me involucro en la ciencia. |
.68 |
|
||||||||
SC2 |
Consideraría
estudiar una carrera en ciencia. |
.69 |
|
||||||||
SC3 |
Espero usar la
ciencia cuando termine la escuela. |
.67 |
|
||||||||
SC4 |
Saber ciencia
me ayudará a ganarme la vida. |
.69 |
|
||||||||
SC5 |
Necesitaré la
ciencia para mi trabajo futuro. |
.66 |
|
||||||||
SC6 |
Sé que puedo
hacerlo bien en ciencia. La ciencia será importante para mí en el trabajo de
mi vida. |
.79 |
|
||||||||
SC7 |
(-)Puedo
manejar la mayoría de las asignaturas bien, pero no puedo hacer un buen
trabajo con la ciencia. |
.31 |
|
||||||||
SC8 |
Estoy seguro/a de
que podría realizar trabajos avanzados en ciencia. |
.77 |
|
||||||||
3.2. Fiabilidad del
constructo
Hemos utilizado la fiabilidad del constructo para evaluar
la consistencia interna y la validez convergente de los ítems. Los resultados
de la fiabilidad del constructo se detallan en la Tabla 3.
Tabla 3
Fiabilidad del
constructo de las escalas
Alfa de Cronbach |
Fiabilidad compuesta (rho_c) |
(VME) |
|
Siglo XXI |
.94 |
.97 |
.78 |
Tecnología/Ingeniería |
.91 |
.94 |
.64 |
Matemáticas |
.73 |
.87 |
.64 |
Ciencia |
.89 |
.94 |
.68 |
La Tabla 3 presenta la fiabilidad de construcción de los
ítems medidos utilizando el alfa de Cronbach, la fiabilidad compuesta y la VME
en cuatro dominios principales: habilidades del siglo XXI, ingeniería,
matemáticas y ciencia. Los resultados del análisis indican que el dominio de
habilidades del siglo XXI tiene un alfa de Cronbach de .94, una fiabilidad
compuesta de .97 y una VME de .78. El dominio de ingeniería muestra un alfa de
Cronbach de .91, una fiabilidad compuesta de .94 y una VME de .64. El dominio
de matemáticas tiene un alfa de Cronbach de .73, una fiabilidad compuesta de
.87 y una VME de .64. Finalmente, el dominio de ciencia demuestra un alfa de
Cronbach de .89, una fiabilidad compuesta de .94 y una VME de .68. Con base en
estos resultados, se puede concluir que todos los dominios poseen una fiabilidad
de construcción adecuada, con valores del alfa de Cronbach por encima de .70,
lo que indica una buena consistencia interna, y valores de fiabilidad compuesta
y VME que demuestran una validez convergente suficiente para cada constructo.
3.3. Validez discriminante
Este estudio ha utilizado la validez discriminante. La
prueba de validez discriminante se realizó para evaluar si los factores
latentes son distintos entre sí a nivel empírico, como se muestra en la Tabla
4.
Tabla 4
Índice HTMT0.90 de las cuatro correlaciones de los factores
Siglo XXI |
Tecnología / Ingeniería |
Matemáticas |
Ciencia |
|
Siglo XXI |
||||
Tecnología/Ingeniería |
.81 |
|||
Matemáticas |
.64 |
.67 |
||
Ciencia |
.57 |
.73 |
.79 |
En este estudio, los resultados de la Tabla 4
indicaron una validez discriminante aceptable entre los factores. Las
relaciones HTMT entre las habilidades del siglo XXI y tecnología / ingeniería,
matemáticas y ciencia fueron de .81, .64 y .57, respectivamente. De manera
similar, el dominio de Tecnología/Ingeniería mostró relaciones HTMT de .67 con
Matemáticas y .73 con Ciencia. Por último, la relación HTMT entre matemáticas y
ciencia fue de .79. Estos valores están por debajo del umbral de .90, lo que demuestra
que cada factor es distinto y no está altamente correlacionado con los demás,
confirmando así la validez discriminante de los constructos. Este análisis
asegura que el modelo de medición capture de manera precisa los aspectos únicos
de cada factor, mejorando la credibilidad y fiabilidad de los resultados del
estudio.
Figura 1
Modelo AFC
3.4. La relación entre
variables en la actitud hacia el instrumento STEM
Las relaciones entre las variables en el instrumento
de actitudes hacia STEM se pueden ver en la Figura 1. Los valores del
coeficiente de ruta (β) entre las variables varían. El coeficiente entre las
actitudes hacia las matemáticas y la ciencia es β = 0.735. Los
coeficientes entre las actitudes hacia las matemáticas y la ingeniería /
tecnología y las matemáticas y las habilidades del siglo XXI son β = 0.655 y β = 0.828,
respectivamente. Además, el coeficiente entre las actitudes hacia la ciencia y
la ingeniería/tecnología es β = 0.722, y entre la ciencia y las habilidades del
siglo XXI es β = 0.561. Por último, el coeficiente entre las
actitudes hacia la ingeniería / tecnología y las habilidades del siglo XXI es β = 0.826.
Para analizar las puntuaciones de la escala de todos
los componentes del cuestionario de actitudes hacia STEM, comparamos las
puntuaciones medias de los cuatro factores latentes utilizando una prueba t de
muestras independientes. También se determinaron los tamańos del efecto según
el d de Cohen. Los criterios para el tamańo del efecto incluyen las siguientes
categorías: negligible (0-0.19), pequeńo (0.2-0.49), medio (0.5-0.79) y grande
(> 0.8) (Cohen, 1992). Este estudio ha encontrado que las variables matemáticas
(t(309) = 0.408, p > 0.05, d de Cohen = 0.49), ciencia (t(309) = -0.869, p
> 0.05, d de Cohen = 0.66), ingeniería (t(309) = 0.970, p > 0.05, d de
Cohen = 0.77) y habilidades del siglo XXI (t(309) = 1.026, p > 0.05, d de
Cohen = 0.93) han mostrado diferentes grados de tamańo del efecto.
3.5. Diferencias de los estudiantes
en actitudes hacia STEM debido al género y nivel educativo
Este estudio examinó cómo las habilidades de los
estudiantes para completar el cuestionario de actitudes hacia STEM variaron en
función de factores de fondo, específicamente el género y el nivel educativo,
como se muestra en la Figura 2.
Figura 2
Gráfico pirata
basado en género y nivel educativo para todas las variables
En cuanto al género, encontramos que el Lambda de
Wilks fue mayor a 0.05, lo que indica que no hubo diferencias significativas
entre las cuatro variables. Para la variable matemáticas, los hombres tuvieron
una puntuación media de 3.196 con una desviación estándar de 0.06, mientras que
las mujeres tuvieron una puntuación media de 3.16 con una desviación estándar
de 0.03. En la variable ciencia, los hombres tuvieron una puntuación media de
3.14 con una desviación estándar de 0.08, mientras que las mujeres tuvieron una
puntuación media de 3.18 con una desviación estándar de 0.04. Para la variable
ingeniería, los hombres tuvieron una puntuación media de 3.35 con una
desviación estándar de 0.09, mientras que las mujeres tuvieron una puntuación
media de 3.30 con una desviación estándar de 0.04. Por último, para la variable
habilidades del siglo XXI, los hombres tuvieron una puntuación media de 3.57
con una desviación estándar de 0.11, mientras que las mujeres tuvieron una
puntuación media de 3.44 con una desviación estándar de 0.05.
En términos de materias, encontramos que el Lambda de
Wilks fue de 0.492. Para la variable matemáticas, el valor F fue 11.350,7; p
< 0.001. Para la variable ciencia, el valor F fue 6462,9; p < 0.001. La
variable ingeniería/tecnología tuvo un valor F de 5228,6; p < 0.001, y la
variable habilidades del siglo XXI tuvo un valor F de 3968,2; p < 0.001.
El estudio también comparó las estadísticas
descriptivas para los grados 7, 8 y 9 para todas las variables observadas:
Matemáticas, Ciencia, Tecnología/Ingeniería y habilidades del siglo XXI. Para
la variable Matemáticas, la puntuación media para el grado 7 fue 3.16 con una
desviación estándar de 0.46, el grado 8 tuvo una puntuación media de 3.20 con
una desviación estándar de 0.50, y el grado 9 tuvo una puntuación media de 3.14
con una desviación estándar de 0.54. En la variable ciencia, el grado 7 tuvo una
puntuación media de 3.14 con una desviación estándar de 0.64, el grado 8 tuvo
una puntuación media de 3.16 con una desviación estándar de 0.68, y el grado 9
tuvo una puntuación media de 3.287 con una desviación estándar de 0.70. Para la
variable Tecnología/Ingeniería, el grado 7 tuvo una puntuación media de 3.28
con una desviación estándar de 0.78, el grado 8 tuvo una puntuación media de
3.31 con una desviación estándar de 0.74, y el grado 9 tuvo una puntuación
media de 3.38 con una desviación estándar de 0.79. Por último, para la variable
habilidades del siglo XXI, el grado 7 tuvo una puntuación media de 3.39 con una
desviación estándar de 0.81, el grado 8 tuvo una puntuación media de 3.51 con
una desviación estándar de 0.95, y el grado 9 tuvo una puntuación media de 3.57
con una desviación estándar de 0.84.
Este análisis indica variaciones en las puntuaciones
medias y las desviaciones estándar entre los grados 7, 8 y 9 en cada
disciplina, con diferencias que reflejan patrones consistentes o mayor
variabilidad dependiendo de la disciplina. En general, el análisis sugiere que
los estudiantes de grado 9 generalmente obtuvieron mejores resultados o al
menos se compararon con la mayoría de las disciplinas.
4. Discusión
Este estudio desarrolló y validó un cuestionario de
actitudes hacia STEM. La investigación se centró en evaluar la fiabilidad de
los ítems de las afirmaciones mediante un análisis factorial confirmatorio
(AFC). Nuestro objetivo fue determinar si los ítems de las afirmaciones podían
clasificarse como adecuados según su significado conceptual. Los resultados
indicaron que el AFC proporcionó datos consistentes con las directrices de
ajuste del modelo. Sin embargo, varias afirmaciones no cumplieron con los criterios
estadísticos o de ajuste del modelo AFC, principalmente debido a cargas
factoriales inferiores a 0.3. Por ejemplo, en la escala de actitudes hacia las
matemáticas, cuatro afirmaciones fueron consideradas inadecuadas según los
resultados del AFC. Afirmaciones como "Las matemáticas son mi peor
asignatura" y "Las matemáticas son difíciles para mí", que son
ítems redactados negativamente, mostraron bajas cargas factoriales. Esto fue
influenciado por el hecho de que para muchos estudiantes, las matemáticas se
perciben como una asignatura desafiante, lo que lleva a que a menudo estén de
acuerdo con tales afirmaciones (marcando un 5). Este estudio subraya la
importancia de evaluar el constructo de cada ítem de afirmación entre el
significado y los datos estadísticos para obtener resultados más completos.
Según Cheung dkk. (2023), el AFC es un método eficaz para validar los
constructos teóricos mediante la prueba de relaciones entre variables latentes
e indicadores medibles. Sin embargo, el estudio también enfatiza el papel
crítico de comprender el contexto del estudiante y la interpretación de los
ítems de las afirmaciones al evaluar la fiabilidad y validez de los
instrumentos de evaluación. Por lo tanto, al desarrollar instrumentos de
evaluación, se debe realizar un análisis exhaustivo no solo basado en datos
estadísticos, sino también considerando el significado y el contexto de cada
afirmación. Esto garantiza que el instrumento desarrollado mida con precisión
el constructo previsto de manera fiable (Farida et al., 2022; Suherman y Vidákovich, 2022).
Este estudio refuerza los hallazgos previos sobre la
importancia de la validación para garantizar la fiabilidad y validez de los
instrumentos de evaluación. Según Kline (2015), coeficientes de ruta altos
indican relaciones significativas entre variables latentes y sus indicadores,
lo que apoya que los constructos teóricos sean empíricamente sólidos. Además,
los tamańos del efecto grandes indican que las variables de actitud hacia STEM
tienen impactos significativos dentro del contexto de esta investigación. Cohen
(1992) afirma que el tamańo del efecto proporciona información sobre la
magnitud de la relación o impacto de una variable sobre otra, lo cual es
crucial para interpretar los hallazgos de la investigación. En este contexto,
los tamańos del efecto que van de .49 a .93 sugieren que las actitudes hacia
STEM contribuyen sustancialmente al modelo de investigación. Con resultados
positivos y fuertes de coeficientes de ruta y tamańos del efecto, este estudio
confirma que el instrumento de evaluación de actitudes hacia STEM desarrollado
tiene buena validez y fiabilidad al medir con precisión las actitudes de los
estudiantes. Por lo tanto, este instrumento puede utilizarse en investigaciones
futuras para evaluar y mejorar el aprendizaje de STEM en las escuelas.
Además, el estudio exploró cómo la capacidad del
estudiante para completar el cuestionario de actitudes hacia STEM está
influenciada por factores de fondo, particularmente el género y el nivel de
grado. Este análisis tuvo como objetivo identificar diferencias en las
actitudes hacia STEM según estas variables, proporcionando información crucial
para los educadores y responsables políticos en el diseńo de estrategias de
aprendizaje más inclusivas y efectivas.
El estudio no ha encontrado diferencias significativas
basadas en el género en todas las variables observadas: Matemáticas, Ciencias,
Ingeniería/Tecnología y Habilidades del Siglo XXI. Los valores medios y las
desviaciones estándar entre hombres y mujeres también indicaron una similitud
relativamente cercana en cada variable. Este hallazgo está en línea con la
investigación de N. Wang et al.
(2023), que muestra que las diferencias de género en las actitudes y el
rendimiento hacia STEM a menudo resultan insignificantes al considerar otros
factores, como la motivación intrínseca y el apoyo ambiental. Por lo tanto,
este estudio confirma que las actitudes hacia STEM entre los estudiantes no
difieren significativamente entre hombres y mujeres, lo que indica un potencial
igual en este campo. La falta de diferencias de género significativas
observadas en las variables del estudio actual (Matemáticas, Ciencias,
Ingeniería/Tecnología y Habilidades del Siglo XXI) sugiere que los esfuerzos
para promover la igualdad de género en la educación STEM pueden estar dando
frutos. Sin embargo, es importante seńalar que, aunque las actitudes y
habilidades pueden ser similares, otros factores aún pueden influir en las
elecciones profesionales y la persistencia en los campos STEM. Por ejemplo,
Zając et al. (2024) han
encontrado que, a pesar de tener habilidades similares, las mujeres eran más
propensas a abandonar ciertos campos STEM debido a la percepción de falta de
equilibrio entre trabajo y vida personal y preocupaciones sobre la cultura en
el lugar de trabajo. Esto indica que abordar los problemas sistémicos en las
industrias STEM sigue siendo crucial para lograr una verdadera paridad de
género. Además, la interseccionalidad juega un papel vital en la comprensión de
la participación en STEM. Sendze (2023) demostró que las mujeres de color
enfrentan desafíos únicos en los campos STEM, destacando la necesidad de
enfoques más matizados para promover la diversidad y la inclusión.
El análisis ha revelado diferencias significativas
según el nivel de grado. Los puntajes medios y las desviaciones estándar entre
los grados 7, 8 y 9 exhibieron variaciones interesantes en cada disciplina. En
general, el grado 9 mostró un rendimiento mejor o al menos competitivo en la
mayoría de las disciplinas. Este resultado es consistente con hallazgos previos
de Balta et al. (2023), sugiriendo
que las actitudes hacia STEM pueden cambiar con el aumento de los niveles de
grado, donde experiencias de aprendizaje más ricas y un mayor compromiso con
actividades STEM pueden fortalecer las actitudes positivas hacia la disciplina.
El mejor rendimiento y las actitudes más positivas entre los estudiantes de
grado 9 pueden reflejar una mayor exposición y comprensión del contenido STEM
con el tiempo. A medida que los estudiantes avanzan en su trayectoria
educativa, se encuentran con conceptos más complejos y aplicaciones del mundo
real que fomentan el pensamiento crítico y las habilidades para resolver
problemas (Supriadi et al., 2024;
Tuong et al., 2023). Este proceso de
maduración no solo mejora su rendimiento académico, sino que también cultiva una
apreciación más profunda por la relevancia e importancia de los campos STEM.
Además, esta tendencia plantea importantes preguntas sobre el diseńo del
currículo y las estrategias de enseńanza en los niveles de grado más bajos. Si
la exposición temprana y el compromiso con las materias STEM pueden llevar a
mejores actitudes y rendimiento en grados superiores, los actores educativos
deberían considerar cómo mejorar la educación STEM en los grados 7 y 8.
Implementar proyectos prácticos, oportunidades de aprendizaje colaborativo y
escenarios de resolución de problemas reales podría ayudar a los estudiantes
más jóvenes a desarrollar una base más sólida y un mayor interés en las
materias STEM (Ammar et al., 2024;
Huang et al., 2022; Nikolopoulou,
2023).
Aunque no se han encontrado diferencias significativas
basadas en el sexo, se han observado diferencias notables basadas en el nivel
de grado, lo que indica que experiencias de aprendizaje más largas y una
participación más profunda en STEM pueden mejorar las actitudes positivas hacia
esta disciplina. Estos hallazgos tienen importantes implicaciones para las
estrategias de educación STEM, enfatizando la necesidad de enfoques sostenidos
y centrados en experiencias de aprendizaje profundo para todos los estudiantes,
independientemente del género.
Los resultados indican una correlación con
investigaciones previas sobre la influencia de la educación STEM en las
habilidades y logros académicos de los estudiantes. Esto sugiere que
implementar el aprendizaje y la evaluación STEM es importante para preparar una
generación competente que cumpla con las demandas de la era global (Abina et al., 2024). Las actitudes de los
estudiantes hacia STEM juegan un papel crucial en determinar su disposición a
aprender materias STEM y a seguir una carrera en STEM (Maltese y Tai, 2011).
5. Limitaciones y
futuras investigaciones
Este estudio tiene varias limitaciones que deben ser
destacadas. En primer lugar, la muestra de investigación se limitó a
estudiantes de secundaria en Lampung, Indonesia; por lo tanto, los resultados
pueden no ser generalizables a toda la población estudiantil de Indonesia o de
otras regiones. Aunque esta investigación tiene el potencial de evaluar las
actitudes de los estudiantes hacia STEM a escala global, es crucial reconocer
que el género y el nivel de grado pueden influir significativamente en las percepciones
y experiencias de los estudiantes con la educación STEM. Por ejemplo, los
estudiantes masculinos y femeninos pueden tener intereses, niveles de confianza
y barreras diferentes al interactuar con las materias STEM, lo que podría
afectar sus actitudes. De manera similar, los estudiantes de diferentes grados
pueden experimentar distintos niveles de exposición al contenido STEM, lo que
impactaría sus percepciones generales y entusiasmo por estos campos. Por lo
tanto, se necesitan más estudios para probar si estos hallazgos se aplican en
diferentes contextos geográficos y culturales, utilizando muestras diversas que
abarquen diferentes representaciones de género y niveles de grado. Este enfoque
más amplio mejorará la comprensión de cómo fomentar eficazmente actitudes
positivas hacia STEM entre los estudiantes de todo el mundo. En segundo lugar,
esta investigación utilizó un diseńo cuantitativo que proporciona datos
objetivos, pero no integró métodos cualitativos que podrían ofrecer
perspectivas más profundas sobre las razones detrás de las actitudes de los
estudiantes hacia STEM. Las entrevistas o discusiones en grupos focales podrían
mejorar la comprensión de los factores que influyen en las actitudes de los
estudiantes.
Adicionalmente, el estudio se centró en las variables
de género y nivel de grado sin considerar otros factores como el contexto socioeconómico,
el apoyo familiar y las experiencias de aprendizaje previas, que también
podrían influir en las actitudes de los estudiantes hacia STEM. A pesar de la
validación a través del AFC, algunos ítems de la declaración no cumplieron con
los criterios de adecuación, lo que indica que el instrumento utilizado
requiere refinamiento. Se necesita una mayor validación con una población más
grande y diversa para asegurar la fiabilidad y validez del instrumento de
evaluación.
Para abordar estas limitaciones, se recomienda que
futuras investigaciones amplíen la muestra geográfica y demográficamente. La
investigación debe incluir muestras de diversas regiones (es decir, en
Indonesia, Asia, Europa y EE. UU.) y considerar diversos antecedentes
demográficos para obtener una imagen más completa de las actitudes de los
estudiantes hacia STEM. Además, emplear métodos mixtos que combinen enfoques
cuantitativos y cualitativos puede proporcionar perspectivas más profundas
sobre las actitudes de los estudiantes. Por ejemplo, las entrevistas en
profundidad y las discusiones en grupos focales pueden descubrir factores que
podrían no detectarse solo a través de encuestas.
Las futuras investigaciones también deben considerar
otros factores, como el contexto socioeconómico, el apoyo familiar y la calidad
de la enseńanza, que podrían influir en las actitudes de los estudiantes hacia
STEM. Esto puede proporcionar una comprensión más completa y detallada. También
es necesario el desarrollo y la validación continua de los instrumentos de
evaluación. Involucrar a expertos en la materia y a profesionales de la
educación en el proceso de desarrollo del instrumento puede mejorar la precisión
y relevancia de los ítems de declaración.
Realizar investigaciones longitudinales también puede
ayudar a entender cómo se desarrollan las actitudes hacia STEM a lo largo del
tiempo y qué factores contribuyen a estos cambios. Esto puede proporcionar
información valiosa para el desarrollo de planes de estudio sostenibles y
estrategias de aprendizaje en STEM. Finalmente, considerando las
recomendaciones de Tsai et al.
(2023), futuras investigaciones deberían incorporar análisis exhaustivos de
factores demográficos, psicológicos y ambientales que puedan influir en las
actitudes de los estudiantes hacia STEM.
Al considerar estas limitaciones e implementar las
recomendaciones para futuras investigaciones, se espera que se logre una
comprensión más profunda y completa de las actitudes de los estudiantes hacia
STEM y los factores que las influyen.
6. Conclusión
En conclusión, este estudio ha desarrollado y validado
con éxito un cuestionario de actitudes hacia STEM utilizando AFC para evaluar
la fiabilidad de los ítems. El objetivo principal fue categorizar los ítems de
declaración según su significado conceptual. Si bien el AFC generalmente apoyó
las directrices de ajuste del modelo, varios ítems, especialmente aquellos
redactados negativamente en la escala de matemáticas, no cumplieron con los
criterios estadísticos debido a bajos coeficientes de carga factorial.
El estudio subraya la importancia de alinear el
significado conceptual de los ítems de declaración con los datos estadísticos
para obtener resultados completos. El AFC valida eficazmente los constructos
teóricos al probar las relaciones entre variables latentes e indicadores
medibles. Sin embargo, comprender cómo los estudiantes interpretan las
declaraciones es crucial para evaluar la fiabilidad y validez del instrumento.
Por lo tanto, la integración de datos estadísticos y perspectivas contextuales
durante el desarrollo del instrumento es esencial para una medición precisa.
Además, el estudio ha identificado varios coeficientes
de camino y tamańos de efecto entre variables, lo que indica fuertes
correlaciones entre las variables de actitud hacia STEM. Los altos coeficientes
de camino sugieren relaciones sustanciales entre variables latentes y sus
indicadores, apoyados por tamańos de efecto significativos que aclaran la
magnitud de estas relaciones. Basado en estos hallazgos sólidos, el estudio
afirma la validez y fiabilidad del instrumento de evaluación de actitudes hacia
STEM para medir con precisión las actitudes de los estudiantes. Este
instrumento puede servir como una herramienta valiosa para futuras
investigaciones orientadas a mejorar el aprendizaje en STEM en entornos
educativos. Además, el estudio exploró cómo los factores de contexto, como el
género y el nivel de grado, influyen en las respuestas de los estudiantes al
cuestionario de actitudes hacia STEM. Aunque no se encontraron diferencias
significativas de género, se observaron variaciones notables según el nivel de
grado, lo que sugiere que una mayor exposición y participación en actividades
STEM impactan positivamente las actitudes de los estudiantes, alineándose con
investigaciones previas.
Estos hallazgos tienen importantes implicaciones para
las estrategias de educación STEM, enfatizando la necesidad de enfoques
inclusivos que promuevan experiencias de aprendizaje profundas para todos los
estudiantes, independientemente del género o nivel de grado. Diseńar
intervenciones educativas específicas utilizando instrumentos que midan las
actitudes hacia STEM puede identificar eficazmente las percepciones de los
estudiantes y las áreas de mejora. Por ejemplo, implementar programas dirigidos
basados en los resultados de las evaluaciones de actitudes puede ayudar a
abordar conceptos erróneos específicos y fomentar actitudes positivas. Además,
usar instrumentos para monitorear cambios en las actitudes a lo largo del
tiempo puede informar ajustes en el currículo y estrategias de enseńanza,
asegurando que las intervenciones sigan siendo relevantes e impactantes. Al
aprovechar estas herramientas, los educadores pueden crear iniciativas
personalizadas que fomenten un entorno positivo para todos los estudiantes en
la educación STEM. En última instancia, tales estrategias pueden mejorar
significativamente el compromiso y rendimiento de los estudiantes en las
disciplinas STEM, contribuyendo a una fuerza laboral más capacitada y diversa.
Contribuciones de autores
Mujib Mujib: Redacción - Borrador Original,
Supervisión, Adquisición de fondos, Análisis Formal, Metodología y Borrador
Original; Mardiyah Mardiyah: Redacción – revisión y edición, Conceptualización,
Redacción - Edición y Visualización.
Financiación
El estudio reportado fue financiado por el
Departamento de Investigación y Servicio Comunitario (LP2M) de la Universidad
Islámica Estatal Raden Intan Lampung, Indonesia.
Referencias
Abina, A., Temeljotov Salaj, A., Cestnik,
B., Karalič, A., Ogrinc, M., Kovačič Lukman, R., y Zidanšek, A.
(2024). Challenging 21st-Century Competencies for STEM Students:
Companies’ Vision in Slovenia and Norway in the Light of Global Initiatives for
Competencies Development. Sustainability, 16(3), 1295.
https://doi.org/10.3390/su16031295
Akiri, E., y Dori, Y. J.
(2022). Professional Growth of Novice and Experienced STEM
Teachers. Journal of Science Education and Technology, 31(1),
129–142. https://doi.org/10.1007/s10956-021-09936-x
AlAli, R. (2024). Enhancing 21st Century Skills
Through Integrated STEM Education Using Project-Oriented Problem-Based
Learning. Geojournal of Tourism and Geosites, 53(2), 421–430.
https://doi.org/10.30892/gtg.53205-1217
Ammar, M., Al-Thani, N. J., y Ahmad, Z. (2024). Role
of pedagogical approaches in fostering innovation among K-12 students in STEM
education. Social Sciences y Humanities Open, 9, 100839.
https://doi.org/10.1016/j.ssaho.2024.100839
Antonietti, C., Schmitz,
M.-L., Consoli, T., Cattaneo, A., Gonon, P., y Petko, D. (2023). Development and
validation of the ICAP Technology Scale to measure how teachers integrate
technology into learning activities. Computers y Education, 192,
104648. https://doi.org/10.1016/j.compedu.2022.104648
Asigigan, S. İ., y Samur, Y. (2021). The effect
of gamified stem practices on students’ intrinsic motivation, critical thinking
disposition levels, and perception of problem-solving skills. International
Journal of Education in Mathematics, Science and Technology, 9(2),
332–352. https://doi.org/10.46328/ijemst.1157
Balta, N., Japashov, N.,
Karimova, A., Agaidarova, S., Abisheva, S., y Potvin, P. (2023). Middle and high
school girls’ attitude to science, technology, engineering, and mathematics
career interest across grade levels and school types. Frontiers in Education,
8, 1158041. https://doi.org/10.3389/feduc.2023.1158041
Bandura, A. (1969). Social-learning theory of
identificatory processes. In D. A. Goslin (Ed.). Handbook of Socialization
Theory and Research, 213–262. Chicago, IL: Rand McNally y Company
Bandura, A. (1997). Self-efficacy: The exercise ol
control. New York, NY.
Benek, I., y Akcay, B. (2019). Development of STEM
attitude scale for secondary school students: Validity and reliability study. International
Journal of Education in Mathematics, Science and Technology, 7(1),
32–52. https://doi.org/10.18404/ijemst.509258
Blotnicky, K. A., Franz-Odendaal, T., French, F., y
Joy, P. (2018). A study of the correlation between STEM career knowledge,
mathematics self-efficacy, career interests, and career activities on the
likelihood of pursuing a STEM career among middle school students. International
Journal of STEM Education, 5(1), 22.
https://doi.org/10.1186/s40594-018-0118-3
Boone, W. J., Staver, J. R., y Yale, M. S. (2014). Rasch
analysis in the human sciences. Springer.
https://doi.org/10.1007/978-94-007-6857-4
Cervone, D., Mercurio, L., y
Lilley, C. (2020). The individual stem student in context: Idiographic
methods for understanding self-knowledge and intraindividual patterns of
self-efficacy appraisal. Journal of Educational Psychology, 112(8),
1597. https://doi.org/10.1037/edu0000454
Chen, L., Yoshimatsu, N., Goda, Y., Okubo, F.,
Taniguchi, Y., Oi, M., Konomi, S., Shimada, A., Ogata, H., y Yamada, M. (2019).
Direction of collaborative problem solving-based STEM learning by learning
analytics approach. Research and Practice in Technology Enhanced Learning,
14(1), 24. https://doi.org/10.1186/s41039-019-0119-y
Cheung, G. W., Cooper-Thomas, H. D., Lau, R. S., y
Wang, L. C. (2023). Reporting reliability, convergent and discriminant validity
with structural equation modeling: A review and best-practice recommendations. Asia
Pacific Journal of Management. https://doi.org/10.1007/s10490-023-09871-y
Chiu, T. K., y Li, Y. (2023). How Can Emerging
Technologies Impact STEM Education? Journal for STEM Education Research,
1–10. https://doi.org/10.1007/s41979-023-00113-w
Chuah, S. H.-W., Rauschnabel, P. A., Krey, N., Nguyen,
B., Ramayah, T., y Lade, S. (2016). Wearable technologies: The role of
usefulness and visibility in smartwatch adoption. Computers in Human
Behavior, 65, 276–284. https://doi.org/10.1016/j.chb.2016.07.047
Clarke, M. M., Madaus, G. F., Horn, C. L., y Ramos, M.
A. (2000). Retrospective on educational testing and assessment in the 20th
century. Journal of Curriculum Studies, 32(2), 159–181.
https://doi.org/10.1080/002202700182691
Cohen, J. (1992). A power primer. Psychological
Bulletin, 112(1), 155.
DeCoito, I., y Myszkal, P. (2018). Connecting Science
Instruction and Teachers’ Self-Efficacy and Beliefs in STEM Education. Journal
of Science Teacher Education, 29(6), 485–503.
https://doi.org/10.1080/1046560X.2018.1473748
Dökme, İ., Açıksöz, A., y Koyunlu Ünlü, Z.
(2022). Investigation of STEM fields motivation among female students in
science education colleges. International Journal of STEM Education, 9(1),
8. https://doi.org/10.1186/s40594-022-00326-2
Dubina, K. S., Ice, L., Kim, J.-L., y Rieley, M. J.
(2021). Projections overview and highlights, 2020–30. Monthly Labor Review,
1–38. https://www.jstor.org/stable/48631007
Durakovic, A. (2022). A Research of Middle School
Students’ Attitudes towards STEM Education in Terms of Some Variables: Which
Variables Had the Greatest Impact on Attitudes?. International Online
Journal of Education and Teaching, 9(2), 1032–1046.
Eccles, J. S., y Wigfield, A. (2002). Motivational
Beliefs, Values, and Goals. Annual Review of Psychology, 53(1),
109–132. https://doi.org/10.1146/annurev.psych.53.100901.135153
Edwards, D., Buckley, S., Chiavaroli, N., Rothman, S.,
y McMillan, J. (2023). The STEM pipeline: Pathways and influences on
participation and achievement of equity groups. Journal of Higher Education
Policy and Management, 45(2), 206–222.
https://doi.org/10.1080/1360080X.2023.2180169
English, L. D. (2016). STEM education K-12:
Perspectives on integration. International Journal of STEM Education, 3(1),
3, s40594-016-0036–1. https://doi.org/10.1186/s40594-016-0036-1
Farida, F., Alamsyah, Y. A.,
Anggoro, B. S., Andari, T., y Lusiana, R. (2024). Rasch Measurement
Validation of an Assessment Tool for Measuring Students’ Creative
Problem-Solving through the Use of ICT. Pixel-Bit.
Revista de Medios y Educación, 71,
83–106. https://doi.org/10.12795/pixelbit.107973
Farida, F., Supriadi, N.,
Andriani, S., Pratiwi, D. D., Suherman, S., y Muhammad, R. R. (2022). STEM approach and
computer science impact the metaphorical thinking of Indonesian students’. Revista de Educación a Distancia (RED), 22(69).
https://doi.org/10.6018/red.493721
Gaskin, J., y Lim, J.
(2016). Model fit measures. Gaskination’s StatWiki,
1–55.
Göktepe Körpeoğlu, S., y Göktepe
Yıldız, S. (2023). Comparative analysis of algorithms with data
mining methods for examining attitudes towards STEM fields. Education and
Information Technologies, 28(3), 2791–2826.
https://doi.org/10.1007/s10639-022-11216-z
Guŕrdia, L., Maina, M., Mancini, F., y Martinez Melo,
M. (2023). Key Quality Factors in Digital Competence Assessment: A Validation
Study from Teachers’ Perspective. Applied Sciences, 13(4), 2450.
https://doi.org/10.3390/app13042450
Höhne, E., Lotz, C.,
Deiglmayr, A., y Zander, L. (2024). How Do Perceived Instructors’ Mindset Beliefs
Influence STEM Students’ Belonging Uncertainty and Dropout Intentions?: An
Intersectional Analysis of Students’ Gender and Immigrant Background. Zeitschrift
Für Entwicklungspsychologie Und Pädagogische Psychologie, 56(1–2),
55–72. https://doi.org/10.1026/0049-8637/a000290
Hu, L., y Bentler, P. M. (1999). Cutoff criteria for
fit indexes in covariance structure analysis: Conventional criteria versus new
alternatives. Structural Equation Modeling: A Multidisciplinary Journal,
6(1), 1–55. https://doi.org/10.1080/10705519909540118
Huang, B., Jong, M. S.-Y., King, R. B., Chai, C.-S., y
Jiang, M. Y.-C. (2022). Promoting secondary Students’ twenty-first century
skills and STEM career interests through a crossover program of STEM and
community service education. Frontiers in Psychology, 13, 903252.
https://doi.org/10.3389/fpsyg.2022.903252
Jomnonkwao, S., y Ratanavaraha, V. (2016). Measurement
modelling of the perceived service quality of a sightseeing bus service: An
application of hierarchical confirmatory factor analysis. Transport Policy,
45, 240–252. https://doi.org/10.1016/j.tranpol.2015.04.001
Kline, R. B. (2015). Principles and practice of
structural equation modeling, 4th Edn. Guilford publications.
Knezek, G., y Christensen, R. (2008). STEM semantics
survey. Computers in Human Behavior. https://doi.org/10.1037/t32658-000
Komarudin, K., y Suherman,
S. (2024). An Assessment of Technological Pedagogical Content Knowledge (TPACK)
among Pre-service Teachers: A Rasch Model Measurement [Evaluación del
conocimiento tecnológico pedagógico del contenido (TPACK) entre los profesores
en formación: modelo de medición Rasch]. Pixel-Bit. Revista de Medios y
Educación, 71, 59–82. https://doi.org/10.12795/pixelbit.107599
Kong, S. F., y Mohd Matore,
M. E. E. (2022). Can a Science, Technology, Engineering, and
Mathematics (STEM) approach enhance students’ mathematics performance? Sustainability,
14(1), 379. https://doi.org/10.3390/su14010379
Koul, R. B., McLure, F. I., y Fraser, B. J. (2023).
Gender differences in classroom emotional climate and attitudes among students
undertaking integrated STEM projects: A Rasch analysis. Research in Science
y Technological Education, 41(3), 1051–1071.
https://doi.org/10.1080/02635143.2021.1981852
Kryshko, O., Fleischer, J., Grunschel, C., y Leutner,
D. (2022). Self-efficacy for motivational regulation and satisfaction with
academic studies in STEM undergraduates: The mediating role of study
motivation. Learning and Individual Differences, 93, 102096.
https://doi.org/10.1016/j.lindif.2021.102096
Lee, H.-Y., Wu, T.-T., Lin, C.-J., Wang, W.-S., y
Huang, Y.-M. (2023). Integrating Computational Thinking Into Scaffolding
Learning: An Innovative Approach to Enhance Science, Technology, Engineering,
and Mathematics Hands-On Learning. Journal of Educational Computing Research,
07356331231211916. https://doi.org/10.1177/0735633123121191
Lee, T., Wen, Y., Chan, M. Y., Azam, A. B., Looi, C.
K., Taib, S., Ooi, C. H., Huang, L. H., Xie, Y., y Cai, Y. (2022).
Investigation of virtual y augmented reality classroom learning environments in
university STEM education. Interactive Learning Environments, 1–16.
https://doi.org/10.1080/10494820.2022.2155838
Luo, T., So, W. W. M., Wan, Z. H., y Li, W. C. (2021).
STEM stereotypes predict students’ STEM career interest via self-efficacy and
outcome expectations. International Journal of STEM Education, 8(1),
36. https://doi.org/10.1186/s40594-021-00295-y
Macun, Y., y Cemalettin, I. (2022). Effect of
problem-based STEM activities on 7th grade students’ mathematics achievements,
attitudes, anxiety, self-efficacy and views. International Journal of
Contemporary Educational Research, 9(1), 87–102.
Maltese, A. V., y Tai, R. H. (2011). Pipeline
persistence: Examining the association of educational experiences with earned
degrees in STEM among U.S. students. Science Education, 95(5),
877–907. https://doi.org/10.1002/sce.20441
Nguyen, T. P. L., Nguyen, T. H., y Tran, T. K. (2020).
STEM education in secondary schools: Teachers’ perspective towards sustainable
development. Sustainability, 12(21), 8865.
https://doi.org/10.3390/su12218865
Nikolopoulou, K. (2023). STEM activities for children
aged 4–7 years: Teachers’ practices and views. International Journal of
Early Years Education, 31(3), 806–821.
https://doi.org/10.1080/09669760.2022.2128994
Ogodo, J. A. (2023). Developing STEM Teachers’
Cultural Competence through an Urban Teaching Curriculum: A Cultural Border
Crossing Experience. Journal of Science Teacher Education, 34(3),
267–286. https://doi.org/10.1080/1046560X.2022.2046248
Okulu, H. Z., y Oguz-Unver, A. (2021). The Development
and Evaluation of a Tool to Determine the Characteristics of STEM Activities. European
Journal of STEM Education, 6(1), 6.
https://doi.org/10.20897/ejsteme/10894
Osborne, J., Simon, S., y Collins, S. (2003).
Attitudes towards science: A review of the literature and its implications. International
Journal of Science Education, 25(9), 1049–1079.
https://doi.org/10.1080/0950069032000032199
Óturai, G., Riener, C., y Martiny, S. E. (2023).
Attitudes towards mathematics, achievement, and drop-out intentions among STEM
and Non-STEM students in Norway. International Journal of Educational
Research Open, 4, 100230.
https://doi.org/10.1016/j.ijedro.2023.100230
Ozulku, E., y Kloser, M.
(2023). Middle school students’ motivational dispositions and
interest in STEM careers. International Journal of Science Education,
1–21. https://doi.org/10.1080/09500693.2023.2234778
Phillips, N. D. (2017). Yarrr! The pirate’s guide to
R. APS Observer, 30.
Rosenzweig, E. Q., y Chen, X.-Y. (2023). Which STEM
careers are most appealing? Examining high school students’ preferences and
motivational beliefs for different STEM career choices. International
Journal of STEM Education, 10(1), 40.
https://doi.org/10.1186/s40594-023-00427-6
Rusmana, A. N., Sya’bandari, Y., Aini, R. Q.,
Rachmatullah, A., y Ha, M. (2021). Teaching Korean science for Indonesian
middle school students: Promoting Indonesian students’ attitude towards science
through the global science exchange programme. International Journal of
Science Education, 43(11), 1837–1859.
https://doi.org/10.1080/09500693.2021.1938278
Saxton, E., Burns, R., Holveck, S., Kelley, S.,
Prince, D., Rigelman, N., y Skinner, E. A. (2014). A common measurement system
for K-12 STEM education: Adopting an educational evaluation methodology that
elevates theoretical foundations and systems thinking. Studies in
Educational Evaluation, 40, 18–35.
https://doi.org/10.1016/j.stueduc.2013.11.005
Sendze, M. S. (2023). I Can’t Quit: Experiences of
Black Women in STEM Professions. Journal of Career Assessment, 31(2),
377–396. https://doi.org/10.1177/10690727221118696
Siew, N. M., y Ambo, N. (2018). Development and
Evaluation of an Integrated Project-Based and STEM Teaching and Learning Module
on Enhancing Scientific Creativity among Fifth Graders. Journal of Baltic
Science Education, 17(6), 1017–1033.
https://eric.ed.gov/?id=EJ1315662
Sölpük, N. (2017). The effect of attitude on student
achievement. In The factors effecting student achievement: Meta-analysis of
empirical studies (pp. 57–73). Springer.
https://doi.org/10.1007/978-3-319-56083-0_4
Sparks, D. M., Przymus, S.
D., Silveus, A., De La Fuente, Y., y Cartmill, C. (2023). Navigating the
Intersectionality of Race/Ethnicity, Culture, and Gender Identity as an
Aspiring Latina STEM Student. Journal of Latinos and Education, 22(4),
1355–1371. https://doi.org/10.1080/15348431.2021.1958332
Steinberg, M., y Diekman, A. B. (2017). Elevating
Positivity toward STEM Pathways through Communal Experience: The Key Role of
Beliefs that STEM Affords Other‐Oriented Goals. Analyses
of Social Issues and Public Policy, 17(1), 235–261.
https://doi.org/10.1111/asap.12135
Straub, D., Boudreau, M.-C., y Gefen, D. (2004).
Validation guidelines for IS positivist research. Communications of the
Association for Information Systems, 13(1), 24.
https://doi.org/10.17705/1CAIS.01324
Suherman, S., y Vidákovich,
T. (2022). Adaptation and Validation of Students’ Attitudes
Toward Mathematics to Indonesia. Pedagogika, 147(3), 227–252.
https://doi.org/10.15823/p.2022.147.11
Suherman, S., y Vidákovich,
T. (2024). Relationship between ethnic identity, attitude, and
mathematical creative thinking among secondary school students. Thinking
Skills and Creativity, 51, 101448.
https://doi.org/10.1016/j.tsc.2023.101448
Suprapto, N. (2016). Students’ Attitudes towards STEM
education: Voices from ındonesian junior high schools. Journal of
Turkish Science Education, 13(special), 75–87.
https://doi.org/10.12973/tused.10172a
Supriadi, N., Jamaluddin Z,
W., y Suherman, S. (2024). The role of learning anxiety and mathematical
reasoning as predictor of promoting learning motivation: The mediating role of
mathematical problem solving. Thinking Skills and Creativity, 52,
101497. https://doi.org/10.1016/j.tsc.2024.101497
Tan, A.-L., Ong, Y. S., Ng, Y. S., y Tan, J. H. J.
(2023). STEM Problem Solving: Inquiry, Concepts, and Reasoning. Science y
Education, 32(2), 381–397.
https://doi.org/10.1007/s11191-021-00310-2
Temel, H. (2023). Investigation of the Relationship
Between Elementary School Mathematics Teacher Candidates’ Attitudes Towards
STEM Education and Their Proficiency Perceptions of 21st Century Skills. Uludağ
Üniversitesi Eğitim Fakültesi Dergisi, 36(1), 150–173.
https://doi.org/10.19171/uefad.1147025
Thompson, R. J., Schmid, L., Mburi, M., Dowd, J. E.,
Finkenstaedt-Quinn, S. A., Shultz, G. V., Gere, A. R., Schiff, L. A., Flash,
P., y Reynolds, J. A. (2024). Diversity of undergraduates in STEM courses:
Individual and demographic differences in changes in self-efficacy, epistemic
beliefs, and intrapersonal attribute profiles. Studies in Higher Education,
49(4), 690–711. https://doi.org/10.1080/03075079.2023.2250385
Tsai, C.-A., Song, M.-Y. W.,
Lo, Y.-F., y Lo, C.-C. (2023). Design thinking with constructivist learning increases
the learning motivation and wicked problem-solving capability—An empirical
research in Taiwan. Thinking Skills and Creativity, 50, 101385.
https://doi.org/10.1016/j.tsc.2023.101385
Tsai, S.-P., Ting, Y.-L., y Chu, L. (2023).
Development and preliminary validation of the middle school students’ attitudes
toward STEM learning scale. Research in Science y Technological Education,
1–21. https://doi.org/10.1080/02635143.2023.2235291
Tuong, H. A., Nam, P. S., Hau, N. H., Tien, V. T. B.,
Lavicza, Z., y Hougton, T. (2023). Utilizing STEM-based practices to enhance
mathematics teaching in Vietnam: Developing students’ real-world problem
solving and 21st century skills. JOTSE: Journal of Technology and Science
Education, 13(1), 73–91. https://doi.org/10.3926/jotse.1790
Unfried, A., Faber, M., Stanhope, D. S., y Wiebe, E.
(2015). The development and validation of a measure of student attitudes toward
science, technology, engineering, and math (S-STEM). Journal of
Psychoeducational Assessment, 33(7), 622–639.
https://doi.org/10.1177/0734282915571160
Van Aalderen-Smeets, S. I., y Walma Van Der Molen, J.
H. (2018). Modeling the relation between students’ implicit beliefs about their
abilities and their educational STEM choices. International Journal of
Technology and Design Education, 28(1), 1–27.
https://doi.org/10.1007/s10798-016-9387-7
Wahono, B., y Chang, C.-Y.
(2019). Development and Validation of a Survey Instrument
(AKA) towards Attitude, Knowledge and Application of STEM. Journal of Baltic
Science Education, 18(1), 63–76.
https://doi.org/10.33225/jbse/19.18.63
Wan, Z. H., So, W. M. W., y Zhan, Y. (2022).
Developing and Validating a Scale of STEM Project-Based Learning Experience. Research
in Science Education, 52(2), 599–615.
https://doi.org/10.1007/s11165-020-09965-3
Wang, N., Tan, A.-L., Zhou, X., Liu, K., Zeng, F., y Xiang,
J. (2023). Gender differences in high school students’ interest in STEM
careers: A multi-group comparison based on structural equation model. International
Journal of STEM Education, 10(1), 59.
https://doi.org/10.1186/s40594-023-00443-6
Wang, X. (2013). Why Students Choose STEM Majors:
Motivation, High School Learning, and Postsecondary Context of Support. American
Educational Research Journal, 50(5), 1081–1121.
https://doi.org/10.3102/0002831213488622
Wicaksono, A. G. C., y Korom, E. (2023). Attitudes
towards science in higher education: Validation of questionnaire among science
teacher candidates and engineering students in Indonesia. Heliyon, 9(9).
https://doi.org/10.1016/j.heliyon.2023.e20023
Wilson, K. (2021). Exploring the challenges and
enablers of implementing a STEM project-based learning programme in a diverse
junior secondary context. International Journal of Science and Mathematics
Education, 19(5), 881–897.
https://doi.org/10.1007/s10763-020-10103-8
Xie, J., y Ferguson, Y.
(2024). STEM faculty’s perspectives on adopting culturally
responsive pedagogy. Teaching in Higher Education, 29(5),
1215–1233. https://doi.org/10.1080/13562517.2022.2129960
Xu, C., y Lastrapes, R. E. (2022). Impact of STEM
sense of belonging on career interest: The role of STEM attitudes. Journal
of Career Development, 49(6), 1215–1229.
https://doi.org/10.1177/08948453211033025
Yalçın, V., y Erden, Ş. (2021). The Effect
of STEM Activities Prepared According to the Design Thinking Model on Preschool
Children’s Creativity and Problem-Solving Skills. Thinking Skills and
Creativity, 100864. https://doi.org/10.1016/j.tsc.2021.100864
Zając, T., Magda, I., Bożykowski, M.,
Chłoń-Domińczak, A., y Jasiński, M. (2024). Gender pay gaps
across STEM fields of study. Studies in Higher Education, 1–14.
https://doi.org/10.1080/03075079.2024.2330667