VOLUMEN 33, NÚMERO 2 | Número especial | PP. 365-378
ISSN: 2250-6101
X|
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 2 (2021) 365
La evaluación del presente artículo estuvo a cargo de la organización de la XIV Conferencia Interamericana de Educación en Física
Aprendizaje Activo de la Física y
análisis de Rasch para circuitos
eléctricos mediante physlets
Active Learning of Physics and Rasch analysis for
electrical circuits using physlets
César Mora
1,2
*, Marco Antonio Moreira
1
, Jesús Ángel Meneses-Villagrá
1
1
Departamento de Didácticas Específicas, Universidad de Burgos. Burgos. España.
2
Instituto Centro de Investigación en Ciencia Aplicada y Tecnología Avanzada del Instituto Politécnico Nacional. Unidad
Legaria. Ciudad de México, C. P. 11500, México. Facultad de Educación, Universidad de Burgos, C/ Villadiego, 1. 09001
Burgos, España.
*E-mail: ceml36@gmail.com
Recibido el 1 de junio de 2021 | Aceptado el 1 de septiembre de 2021
Resumen
Mostramos algunos resultados de investigación en educación en física sobre análisis de Rasch y aprendizaje activo de circuitos
eléctricos utilizando physlets, con estudiantes de educación media superior del Instituto Politécnico Nacional de México. Las
metodologías de aprendizaje activo son importantes, porque existen buenos resultados en la literatura sobre su implementación
en diferentes niveles educativos. Además, el utilizar physlets es una forma de innovar la clase de física, y el modelo de Rasch nos
ayuda a apreciar los avances que tienen los estudiantes en sus conocimientos sobre circuitos eléctricos, al utilizar una metodología
de enseñanza activa en el aula.
Palabras clave: Aprendizaje activo de física; Circuitos eléctricos; Modelo de Rasch.
Abstract
We show some research results in Physics Education on Rasch analysis and Active Learning of electrical circuits using physlets, with
high school students from the National Polytechnic Institute of Mexico. Active Learning methodologies are important, because
there are good results in the literature on their implementation at different educational levels. In addition, using physlets is a way
to innovate the physics class, and the Rasch model helps us to appreciate the progress that students are making in their knowledge
of electrical circuits, using an active teaching methodology in the classroom.
Keywords: Active Learning of Physics; Electrical circuits; Rasch model.
I. INTRODUCCIÓN
El Aprendizaje Activo de la Física (Mintzes & Walter, 2020), en los últimos 30 años ha sido una de las metodologías de
enseñanza más importantes por los excelentes resultados en el aprendizaje de los estudiantes. Sirur y Benegas (2008)
utilizaron la metodología activa de tutoriales de física para la enseñanza de circuitos eléctricos obteniendo resultados
alentadores con respecto a la instrucción tradicional y postulan que la utilización conjunta de este tipo de estrategia
activa provee condiciones de trabajo adecuadas para una mejora sustancial en la enseñanza de la física en casi
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 366
cualquier sistema educativo. Asimismo, Orozco (2012) señala que el Aprendizaje Activo de la Física en los cursos en
línea a nivel bachillerato, muestra una ganancia en el aprendizaje mayor que en los cursos tradiciones. Formica (2012),
presenta una serie de metodologías activas exitosas para la enseñanza de la física con aplicación al modelo CTIM (en
inglés, STEM). En este trabajo, presentamos una aplicación de Aprendizaje Activo de Física utilizando physlets para
estudiantes de enseñanza media superior (preuniversitario) en el Instituto Politécnico Nacional de la Ciudad de
México, en donde realizamos un análisis preliminar y posterior para el aprendizaje de circuitos eléctricos. Este trabajo
pretende darnos algo de luz en la evaluación de metodologías de Aprendizaje Activo de la Física (Sokoloff, Thornton,
& Laws, 1998; Thornton & Sokoloff, 1998). Es importante señalar también, que en los últimos años se ha recurrido
más al uso de simulaciones para la enseñanza de la física para atraer la atención de los estudiantes (Amadeu & Leal,
2013). Wieman et al. (2008), señalan que la interacción con las simulaciones Phet ayuda a los estudiantes a desarrollar
sus propios modelos mentales y comprensión de la ciencia. Adams (2010), concluye que las simulaciones Phet tienen
orientación implícita y desafíos equilibrados que fomentan la exploración comprometida donde los estudiantes
abordan la resolución de problemas y la adquisición de conocimientos de manera similar a los expertos.
Por otro lado, el modelo de Rasch (Boomsma, van Duijn, & Snijders, 2001), es especialmente útil para visualizar los
resultados, utilizando “Curvas características de ítems” (CCI). Esto nos puede ayudar a analizar la mejora de los grupos,
cuando utilizamos metodologías de Aprendizaje Activo de la Física.
El artículo está organizado de la siguiente forma, en la sección II presentamos algunas generalidades del modelo
de Rasch, en especial sobre las curvas de respuesta al ítem. En la sección III presentamos una breve descripción de
nuestro caso de estudio. En la sección IV se muestra cómo realizar la recogida de datos y su análisis correspondiente
mediante la teoría de Rasch. En la sección V, se presentan las curvas de respuesta al ítem para nuestro grupo
experimental. La sección VI es dedicada a las conclusiones de nuestro trabajo.
II. ELMODELO DE RASCH
Hay varios modelos de Rasch, que pueden ser dicotómicos o politómicos, hay un tratado más amplio que puede
revisarse en el trabajo desarrollado por Rost (2001) llamado Los modelos de la creciente familia de Rasch. También
hay varias aplicaciones del modelo en algunos campos del conocimiento y la investigación (Prieto y Delgado 2003,
Azariadis y Drazen 1990, Abad et al. 2010), pero aquí queremos centrarnos en el campo de la educación. El modelo
de Rasch se derivó entre 1952 y 1961. Georg Rasch diseñó el modelo, en parte como resultado de su investigación
para encontrar los perfiles psicológicos de los candidatos reclutados del Servicio de Psicología Militar (MPT), donde el
teniente coronel F. Agersten era su líder. Rasch hizo grandes avances en su modelo con la comunicación que tuvo con
el profesor Ragnar Frisch en 1959, y finalmente logró publicar sus ideas en los años de 1960 y 1961. Andersen y Olsen
(2001) describen su historia en detalle. Planinic et al. (2019) señalan que la utilización del modelo de Rasch en la
investigación en Educación en Física está aumentando continuamente, además que el modelado de Rasch puede
mejorar algunas prácticas de investigación, tales como la construcción de tests, la evaluación de tests y el cálculo de
la ganancia del estudiante en instrumentos de diagnóstico de investigación en Física Educativa, también puede
conducir a la construcción de bancos de reactivos y permitir comparaciones y estudios longitudinales de desarrollo.
Liu y Collard (2005) han usado el modelo de Rasch para validar las etapas de comprensión de conceptos físicos.
Aquí queremos comentar brevemente un modelo de Rasch muy sencillo, que podemos aplicar en el ámbito
educativo con el fin de evaluar la eficacia conseguida mediante el uso de una metodología de enseñanza activa en
Física.
A. Modelo dicotómico de Rasch aplicado a la educación
Para resumir un poco, la expresión matemática detrás de un modelo de Rasch simplificado, que se puede utilizar en
el ámbito educativo, adquiere la siguiente expresión matemática:
exp( ( ))
( | , ) .
1 exp( ( ))
−
=
+−
ij i j
ij i j
ij i j
Xb
P X b
Xb
(1)
El parámetro X
ij
se conoce como el parámetro de discriminación, y representa la pendiente de la curva trazada con
la ecuación (1), tomando θ
i
como variable independiente, P como variable dependiente, cuando θ
i
y b
j
son iguales
entonces P se convierte en 1/2.
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 367
Supongamos para nuestro caso, un parámetro de discriminación igual a la unidad, luego la ecuación (1) se
simplifica a
exp( )
( 1| , ) .
1 exp( )
−
==
+−
ij
ij i j
ij
b
P X b
b
(2)
El modelo de Rasch (1) y (2) se denomina dicotómico por el tipo de datos que se pueden manejar al aplicarlo en
educación. Si en una prueba se considera que la respuesta dada por cada alumno de un grupo, puede ser correcta o
incorrecta, entonces estamos manejando un tipo de dato que adquiere dos valores “1” (si la respuesta dada por el
alumno es correcta) o “0” (si la respuesta dada por el alumno es incorrecta).
B. Descripción de las curvas de Rasch
En el modelo de Rasch, se manejan diversos datos recopilados a partir de las respuestas dadas por los estudiantes a
una prueba de conocimientos. En un momento hipotético dado, asumimos el caso de un estudiante que responde a
una pregunta en particular en una prueba. Podemos decir en ese momento, que el estudiante tiene la posibilidad de
responder correctamente a la pregunta en función de su nivel de conocimiento sobre el tema que trata la pregunta.
La probabilidad también dependerá del grado de dificultad que tenga la pregunta. De esta forma, tenemos una visión
doble e independiente de cuál es la probabilidad de contestar con éxito la pregunta del test. Por un lado, esto
dependerá de un parámetro de dificultad y, por otro, de un parámetro independiente de habilidad del estudiante que
responde a la pregunta.
Rasch encontró la forma más conveniente de expresar este hecho matemáticamente, después de estudiar las
propiedades de la independencia matemática que tienen ciertos parámetros dentro del modelo multiplicativo de
Poisson (Rost, 2001).
Asumiendo la independencia multiplicativa del parámetro de habilidad y del parámetro de dificultad, es como se
puede llegar a las expresiones matemáticas del modelo dicotómico de las ecuaciones (2) y (3) (si también asumimos
un parámetro de discriminación igual a la unidad). La independencia multiplicativa se puede expresar utilizando una
propiedad matemática de los exponentes, por lo que (2) se puede reescribir de la siguiente manera
exp( ) exp( )
( 1| , ) .
1 exp( ) exp( )
−
==
+−
ij
ij i j
ij
b
P X b
b
(3)
Aquí asumimos que hay i = 1, ..., N estudiantes con parámetros de habilidad θ
i
. Y suponemos que j = 1, ..., M
preguntas con parámetros de dificultad b
j
.
La probabilidad de que el estudiante i ésimo tenga la respuesta correcta a la pregunta o el ítem j ésimo es P (X
ij
=
1 | θ
i
, b
j
). Dada una dificultad fija de la pregunta o ítem b
j
, podemos calcular la curva de probabilidad, en función del
parámetro de habilidad del estudiante θ
i
.
III. DESCRIPCIÓN DEL CASO DE ESTUDIO
Como hemos dicho, el modelo de Rasch es una herramienta matemática de gran utilidad para el análisis estadístico
de los datos en el ámbito educativo de la investigación. Para ejemplificar el uso del modelo de Rasch en educación,
usaremos los datos de un estudio de caso particular como ejemplo. En el Centro de Estudios Científicos y Tecnológicos
No. 11 del Instituto Politécnico Nacional, en la Ciudad de México, se realizaron 4 clases de circuitos eléctricos durante
en el primer semestre de 2021, utilizando la metodología didáctica conocida como Aprendizaje Activo de la Física,
mediante el ciclo PODS que consta de las fases Predecir-Observar-Discutir-Sintetizar, además de utilizar algunos
physlets de circuitos eléctricos de la Universidad de Colorado disponibles en https://phet.colorado.edu/es/, asimismo
se utilizaron seis preguntas de la prueba de Evaluación Conceptual de Circuitos Eléctricos (ECCE) de Sokoloff (2021) y
también, una muestra de quince estudiantes de bachillerato. La intervención didáctica en general fue realizada
utilizando la plataforma Zoom de videoconferencias.
El diseño de una secuencia de una Clase Demostrativa Interactiva (CDI) sobre algún tema de Física, debe tener en
cuenta las siguientes recomendaciones:
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 368
• Especificar el objetivo de cada CDI, es decir se debe establecer claramente el objetivo de aprendizaje que se
pretende alcancen los estudiantes.
• El contenido de la serie de CDI debe basarse en demostraciones que favorezcan la comprensión de conceptos
acordes con el tema en estudio.
• Elegir una demostración que ilustre el concepto a desarrollar en tiempo real (da confianza a los estudiantes en los
métodos de medición y resultados) y que cumpla el objetivo planteado. Las demostraciones son más eficaces si se
centran en un solo concepto y de ser posible con un resultado diferente a las expectativas de los estudiantes.
• Establecer preguntas detonadoras que permitan al estudiante mostrar sus pre-concepciones erróneas al escribir
sus predicciones.
• Determinar si la demostración será realizada por el instructor o por los grupos de trabajo de estudiantes,
recordando que la experimentación fomenta un mayor compromiso en el estudiante y potencializa el aprendizaje.
• Diseñar los materiales escritos (los llamados “hoja de predicción” y “hoja de resultados”) de forma tal que los
estudiantes puedan seguir en forma dinámica e interactiva en el desarrollo de las CDI.
• Las CDI deben presentarse de manera que los estudiantes comprendan los experimentos y que confíen en los
aparatos y los métodos de medición empleados.
• Se debe tener cuidado de que las demostraciones no sean muy llamativas, ya que pueden resultar complejas y no
serían experiencias de aprendizaje efectivas.
Para desarrollar las CDI Sokoloff y Thornton (2006) recomiendan una secuencia de ocho pasos:
1. El instructor describe la demostración, sin exhibir los resultados. Se debe indicar claramente lo que se realizará en
la demostración.
2. El instructor pide a los estudiantes registrar sus predicciones individuales sobre los datos esperados en una “Hoja
de Predicción” (una serie de preguntas sobre la demostración) que se recogerá. Los estudiantes están seguros de que
estas predicciones no serán calificadas. Es importante asegurarse de que todos los alumnos completen este paso antes
de pasar al siguiente.
3. Los estudiantes se involucran en discusiones sobre la demostración formando grupos pequeños con sus
compañeros más cercanos y pueden cambiar sus predicciones si lo consideran conveniente.
4. El instructor obtiene las predicciones más comunes de los estudiantes del grupo y las muestra en una pantalla o
pizarrón visible en el salón de clase. Se debe solicitar que expliquen sus respuestas, pero tener cuidado de no elogiar
o criticar a las predicciones de los estudiantes, solo se trata de registrar todas las predicciones de los estudiantes sin
evaluarlos.
5. Los estudiantes registran sus predicciones finales sobre la “Hoja de Predicción”. El Anexo 1 muestra un ejemplo de
dicha hoja.
6. El instructor o los estudiantes (grupos pequeños) realizan la demostración nuevamente y exhibe los datos en
tiempo real (los resultados pueden presentarse en forma de gráficos usando un proyector en caso de que el grupo sea
muy grande).
7. El instructor solicita a los estudiantes que describan y discutan sus resultados. Así, los estudiantes completan una
“Hoja del Resultado” (idéntica a la “Hoja de la Predicción”) y la entregan. Se debe motivar a que los estudiantes
analicen los resultados obtenidos en la demostración que desafíe sus predicciones (o no), y que expliquen estos
resultados. Tal reflexión puede llevarse a cabo como una discusión con toda la clase, o los estudiantes pueden escribir
de forma individual o en parejas sobre la transformación de su conocimiento.
8. El instructor discute situaciones físicas análogas o relacionadas al fenómeno observado (situaciones donde los
resultados se basan en el mismo concepto). El instructor ayuda a los estudiantes para transferir su aprendizaje a
situaciones reales donde el concepto se aplica.
La implementación de esta estrategia sugiere que para lograr resultados satisfactorios es importante considerar
que (Sokoloff y Thornton, 2006):
• El instructor debe planear el tiempo para la discusión (paso 3) y lograr los objetivos en el tiempo apropiado.
• Para el paso 4 es recomendable que el instructor utilice herramientas que le permitan mostrar en forma llamativa
las aportaciones voluntarias de los estudiantes a toda la clase. Las predicciones incorrectas no se corrigen en este
momento. El instructor puede incluir respuestas de clases anteriores si ningún estudiante se ofrece voluntariamente
o si las respuestas no varían.
• El propósito de los pasos 7 y 8 es que el instructor dirija a los estudiantes a la respuesta correcta. Esto no es una
conferencia sino una discusión dirigida donde los datos experimentales se utilizan para validar los conceptos.
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 369
En el anexo 1, se muestra un ejemplo de las actividades desarrolladas en una CDI de circuitos eléctricos en serie y
en paralelo.
La forma de proceder a la recogida de datos es la siguiente: en primer lugar, se aplica la prueba a los estudiantes
para conocer sus conocimientos previos de circuitos eléctricos. Luego se aplica la metodología didáctica de
Aprendizaje Activo de la Física, en la forma de clases demostrativas interactivas (Sokoloff y Thornton 2006).
Una vez que los estudiantes hayan aprendido el tema con esta metodología, se prevé una fecha para volver a
aplicar la misma prueba de circuitos eléctricos. Los datos están en forma dicotómica, en tablas de dos valores (0 y 1),
las columnas de cada tabla representan las preguntas de la prueba y las filas representan a los estudiantes que trajeron
la metodología didáctica.
Se coloca un “0” o un “1” en cada entrada de la tabla, según si el estudiante respectivo respondió correctamente
a la pregunta indicada. Posteriormente, se realiza el análisis de datos, para tener una idea de la efectividad del método
de enseñanza en este caso particular. Utilizamos el modelo de Rasch para la evaluación del conocimiento del
estudiante, y el lenguaje de programación llamado R (Leo-Revilla, 2021), que fue diseñado por Robert Gentleman y
Ross Ihaka, en Auckland, Nueva Zelanda. Y haremos uso de una biblioteca R llamada ltm, del “modelo de rasgo
latente”.
Los parámetros de facilidad de la prueba elegida se calculan a partir de seis preguntas de la prueba ECCE para la
prueba previa y luego para la prueba posterior. Los parámetros de facilidad serían la contraparte de los parámetros
de dificultad, en lugar de medir el nivel de dificultad del ítem, estos medirán el grado de facilidad de cada uno de los
ítems de la prueba. A continuación, la Figura 1 muestra un ejemplo del simulador Physlet, el cual nos permite construir
y manipular las diferentes configuraciones de circuitos eléctricos.
FIGURA 1. Laboratorio virtual desarrollado por la Universidad de Colorado. Kit de construcción de circuitos eléctricos de corriente
continua, mediante el cual se pueden construir diversas configuraciones de circuitos y realizar la simulación computacional de su
funcionamiento.
IV RECOLECCIÓN DE DATOS
Podemos recopilar los datos en hojas de Excel, como en las figuras 2 y 3. La figura 2 muestra el resultado de las
preguntas respondidas para la prueba preliminar; y la figura 3 son las respuestas que corresponden a la fase de
postest. La muestra experimental se limitó a 15 estudiantes de forma selectiva, escogiendo a los más constantes del
curso, debido a que el grupo inicial se fue reduciendo por la deserción escolar. Con el grupo de control se siguió el
mismo criterio.
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 371
Luego, se ingresan los datos en R, con la biblioteca readxl. Posteriormente se calculan los parámetros de facilidad
para la prueba previa y posterior de la misma prueba y del mismo grupo de estudiantes, utilizando el modelo de rasgo
latente.
Aquí ya se puede hacer una valoración u opinar sobre la efectividad de la metodología didáctica para este caso de
estudio y considerando los valores obtenidos de los parámetros de facilidad de las preguntas del test, tanto en la fase
pretest como en el postest, para la misma muestra de estudiantes.
(a)
(b)
FIGURA 3. Datos recopilados para un grupo de muestra de 15 estudiantes, en una fase posterior a la prueba. (a) Grupo de control,
(b) Grupo experimental.
Podemos obtener el software R del sitio web: http://www.r-project.org (CRAN, 2021), que puede ayudarnos con
el cálculo estadístico y el trazado de gráficos involucrados en el modelo de Rasch.
V. OBTENCIÓN DE LAS CURVAS DE RASCH
La siguiente tabla, resume los resultados de los parámetros de facilidad para la fase de prueba previa de nuestro grupo
experimental y de control, con las preguntas seleccionadas de la prueba ECCE. Dichos parámetros fueron calculados
con el paquete eRm (extended Rasch modeling), descargado del sitio web CRAN (https://cran.r-
project.org/web/packages/eRm/index.html), y el criterio de facilidad corresponde a la siguiente escala (Baker & Kim,
2017, p. 11):
● Muy difícil: de -∞ a -2.625.
● Difícil: de -2.625 a -1.5.
● Media: de -1.5 a 1.5.
● Fácil: de 1.5 a 2.625.
● Muy fácil: de 2.625 a +∞.
TABLA I. Parámetros de facilidad en la fase de prueba previa. (a) Grupo de control. (b) Grupo experimental.
(a)
(b)
Repetimos el mismo procedimiento para los datos del postest, y así obtenemos los parámetros de facilidad del mismo
test y para la misma muestra de estudiantes, pero en la fase postest, una vez aplicada la metodología didáctica a los
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 372
estudiantes, para enseñarles los conceptos elementales de circuitos eléctricos. Observamos que el nivel de facilidad
de cada pregunta del examen ha cambiado, y en general se ha incrementado, en una cantidad que se puede apreciar.
Lo que nos sugiere que el Aprendizaje Activo de la Física con physlets ha sido de gran utilidad para que los estudiantes
aprendan conceptos elementales de los circuitos eléctricos en serie y en paralelo. La tabla II resume los resultados de
los parámetros de facilidad para la fase postest de nuestro grupo experimental, con las preguntas seleccionadas de la
prueba ECCE. En las tablas hemos seguido los criterios sugeridos por Baker y Kim (2017), en el capítulo 1 de su libro.
TABLA II. Parámetros de facilidad en la fase de prueba posterior. (a) Grupo de control. (b) Grupo experimental.
(a)
(b)
Las gráficas del modelo de Rasch se denominarán Curvas Características de Ítem (CCI), las cuales se obtienen a
partir de un modelo como (2), conociendo los valores de los parámetros de facilidad. La ecuación para calcular la
probabilidad de responder satisfactoriamente a la pregunta es.
0 1 1 2 2
logit( ) .= + +
i i i i
P z z
(4)
Donde P
i
es la probabilidad de una respuesta positiva en el ítem i-ésimo, β
0i
son los parámetros de facilidad, β
ji
(j =
1, 2) son los parámetros de discriminación y z
1
y z
2
son las variables latentes. Se puede acceder a la información
posterior a través del mecanismo estándar para obtener ayuda en R para un paquete. En este caso podemos obtener
la ayuda del paquete ltm online emitiendo el siguiente comando: > help (ltm).
El software R puede trazar estas curvas para nuestra prueba de preguntas seleccionadas y nuestra muestra de
estudiantes, tanto en su fase de pretest (mostrando gráficamente el nivel de conocimiento de los estudiantes, antes
de aprender), como en la fase de postest (que indica el nivel de conocimiento alcanzado por los alumnos, aplicando
el Aprendizaje Activo de la Física para la enseñanza de los circuitos eléctricos elementales).
El gráfico de la figura 4 muestra la CCI para cada pregunta o ítem, en la fase de prueba previa utilizando una prueba
seleccionada y con nuestra muestra de estudiantes. Asimismo, se incluirán las curvas CCI correspondientes al grupo
de control, el cual recibió la instrucción del tema de circuitos en serie y paralelo, mediante clases tradicionales tipo
conferencia magistral y resolución de problemas.
(a)
(b)
Figura 4. Curvas CCI en la fase de la prueba previa: (a) Grupo de control. (b) Grupo experimental.
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 373
El gráfico de la figura 5 muestra la CCI de cada pregunta o ítem, en la fase de postest, utilizando la prueba
seleccionada y con la misma muestra de estudiantes. Si comparamos las curvas CCI del postest con las del pretest,
encontramos un avance en el nivel de probabilidad de responder correctamente a las preguntas para la fase postest.
Sin embargo, el registro numérico del progreso de los estudiantes se guarda en las listas de parámetros de facilidad,
que se obtuvieron con la función rasch() de la biblioteca ltm, y que luego se utilizaron para realizar la representación
gráfica en forma de las Curvas CCI de los mismos ítems de la prueba, para las fases del pretest (figura 4), y para el
postest (figura 5).
Los resultados son visualmente alentadores, ya que hay un progreso que puede considerarse significativo entre
las curvas CCI del pretest y la CCI del postest. Podemos sugerir que el Aprendizaje Activo de la Física fue una muy
buena metodología didáctica para este estudio de caso.
(a)
(b)
Figura 5. Curvas CCI en la fase de la prueba posterior: (a) Grupo de control. (b) Grupo experimental.
VI. CONCLUSIONES
Hemos utilizado el modelo Rasch para mostrar la efectividad del Aprendizaje Activo de la Física que utiliza el ciclo
PODS estructurado en las Clases Demostrativas Interactivas impartidas en una escuela de educación media superior
del Instituto Politécnico Nacional, en la Ciudad de México, durante el primer semestre del ciclo escolar 2021.
Estudiamos los circuitos eléctricos en serie y en paralelo utilizando physlets desarrolladas en la Universidad de
Colorado. Apreciamos claramente la ventaja de aplicar la metodología utilizada por Sokoloff y Thornton (2006) y
Sokoloff y Laws (2012). La ventaja se evidencia en los gráficos de las curvas de respuesta de los ítems para los ítems
de las respectivas pruebas aplicadas en cada caso. Los resultados de las tablas I(a) y II(a) corresponden al pretest y
postest del grupo de control, respectivamente, y se observa que todas las preguntas mejoraron en su parámetro de
facilidad, a excepción de las preguntas Q1 y Q3, las cuales empeoraron en este parámetro. Por otro lado, en el grupo
experimental -tablas I(b) y II(b)- se observa una mejoría, a excepción de la pregunta Q4 en donde el nivel de facilidad
permaneció igual.
Si bien las clases demostrativas interactivas inicialmente fueron desarrolladas para escenarios presenciales, hemos
obtenido buenos resultados al utilizar simulaciones computacionales para sustituir la demostración directa de
experimentos. Esto fue planteado en esta forma debido a la contingencia mundial sanitaria del COVID-19, la cual ha
llevado al cierre masivo de escuelas y a buscar alternativas a distancia que puedan ser utilizadas fácilmente por los
estudiantes. La experiencia realizada mediante videoconferencias y utilizando simulaciones computacionales ha sido
alentadora por los resultados obtenidos. Una vez levantadas las restricciones sanitarias, esperamos corroborar con la
práctica los resultados obtenidos en la virtualidad.
AGRADECIMIENTOS
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 375
REFERENCIAS
Abad F. J., Olea, J., Aguado, D., Ponsoda, D., Barrada, J. R. (2010). Deterioro de parámetros de los ítems en test
adaptativos informatizados: estudio con eCAT. Psicothema, 22(2), 340-347.
Amadeu, R., Leal, J. (2013). Ventajas del uso de simulaciones por ordenador en el aprendizaje de la Física. Enseñanza
de las Ciencias, 31(3). 177-188.
Andersen, E. B., Olsen, L. W. (2001). Chapter 1: The Life of Georg Rasch as a Mathematician and as a Statistician. In
Boomsma, A., van Duijn, M. A. J., Snijders, T. A. B. (Editors), Essays on Item Response Theory, New York: Springer
Sience+Business Media LLC, pp. 3-24.
Azariadis, C., Drazen, A. (1990). Threshold Externalities in Economic Development. Quaterly Journal of Economics,
Cambridge, The Massachusetts Institute of Technology Press, 105, 501-526.
Baker, F. B. y Kim, S. H. (2017). The Basics of Item Response Theory Using R, Switzerland: Springer Nature.
Boomsma, A., van Duijn, M. A. y Snijders, T. A. (2001). Essays on item response theory. New York, NY: Springer-Verlag.
Cran, (2021). The R Project for Statistical Computing. [Online]. Disponible en: htpps://www.r-project.org. (Visitado el
15 de enero de 2021).
Formica, S. (2012). A Medley of Successful Active-Learning Methods. Interdisciplinary STEM Teaching & Learning
Conference (2012-2019). 57. Disponible en: https://digitalcommons.georgiasouthern.edu/stem/2012/2012/57.
(Visitado el 15 de agosto de 2021).
Leo-Revilla, A. (2021). Breve historia de R. [Online]. Disponible en: https://momentotic.com/2013/08/07/breve-
historia-de-r/. (Visitado el 15 de enero de 2021).
Liu, X., & Collard, S. (2005). Using the Rasch model to validate stages of understanding the energy concept. J. Appl.
Meas. 6(2), 224-41.
Mintzes, J. J. y Walter, E. M. (2020). Active learning in college science: The case of evidence-based practice. Cham,
Switzerland: Springer Nature.
Orozco Martínez, J. (2012). El aprendizaje activo de la Física en los cursos en línea del IPN. Revista Mexicana de
Bachillerato a Distancia, 4(7), 71-77.
Planinic, M. Boone, W. J., Susac, A. and Ivanjek, L. (2019). Rasch analysis in physics education research: Why
measurement matters. Physical Review Physics Education Research, 15, 020111.
Prieto, G., Delgado, A. (2003). Análisis de un test mediante el modelo de Rasch, Psicothema, 15(1). 94-100.
Rost, J. (2001). Chapter 2: The Growing Family of Rasch Models, in Essays on Item Response Theory. In Boomsma, A.,
van Duijn, M. A. J., Snijders, T. A. B. (Editors). Essays on Item Response Theory, New York: Springer Sience+Business
Media LLC, pp. 25-44.
Sokoloff, D. R., Thornton, R. K. y Laws, P. W. (1998). Realtime physics, active learning laboratories, module 1:
Mechanics. New York: Wiley.
Sokoloff, D. R., & Thornton, R. K. (2006). Interactive lecture demonstrations, active learning in introductory physics.
New York: Wiley.
Sirur Flores, J. & Benegas, J. (2008). Aprendizaje de circuitos eléctricos en el nivel polimodal: resultados de distintas
aproximaciones didácticas, Enseñanza de las Ciencias, 26(2). 245–256.
Sokoloff, D. R. y Laws, P. W. (2012). Realtime physics, active learning laboratories, module 3: Electricity & magnetism.
New York: Wiley.
Título abreviado
www.revistas.unc.edu.ar/index.php/revistaEF
REVISTA DE ENSEÑANZA DE LA FÍSICA, Vol. 33, no. 3 (2021) 376
Sokoloff, D. (2021). Electric Circuits Conceptual Evaluation (ECCE), [Online]. Disponible en:
https://www.physport.org/assessments/assessment.cfm?I=25&A=ECCE. (Visitado el 15 de enero de 2021).
Thornton, R. K. y Sokoloff, D. R. (1998). Assessing student learning of Newton’s laws: The Force and Motion Conceptual
Evaluation and the Evaluation of Active Learning Laboratory and Lecture Curricula. American Journal of Physics, 66(4),
338-351. doi: 10.1119/1.18863.
Wieman, C. E., Adams, W. K., Perkin, K. K. (2008). PhET: Simulations That Enhance Learning. Science, 322, 682-683.
