Search

Introduction/Objective: The resilience and emotional intelligence of teachers are crucial in order to face the daily educational challenges. To determine the association between teacher’s emotional intelligence and resilience during Emergency Remote Learning. Method: A quantitative approach and a cross-sectional predictive non-experimental design were used. Participants were 1329 teachers from Chilean schools. The WLEIS Emotional Intelligence Scale and the RS-14 resilience scale were used. Spearman correlation analyses and Yuen’s test were used for the comparative analysis by sex, and in the case of comparison by specialty the one-way ANOVA test was used; multiple regressions were performed. Results: High levels of resilience and between medium to high emotional intelligence; significant, positive and high relationship between emotional intelligence and resilience. Both in the emotional regulation variable and in the emotional intelligence variable significant differences were found regarding sex and specialty. The results of the predictive model with all emotional intelligence variables as predictors explained 43.5% of the observed variability of resilience. Conclusion: During the pandemic, teachers’ emotional intelligence and resilience are essential for facing the educational adversities and challenges that arise as a consequence of a context susceptible to constant and deregulatory change. Resumen Introducción/Objetivo: La resiliencia y la inteligencia emocional de los profesores son cruciales para afrontar los retos educativos diarios. Determinar la asociación entre la inteligencia emocional de los profesores y la resiliencia durante la enseñanza remota de emergencia. Método: Se utilizó un enfoque cuantitativo y un diseño no experimental predictivo transversal. Los participantes fueron 1329 profesores de escuelas chilenas. Se utilizó la escala de inteligencia emocional WLEIS y la escala de resiliencia RS-14. Se utilizaron análisis de correlación de Spearman y la prueba de Yuen para el análisis comparativo por sexo, y en el caso de la comparación por especialidad se utilizó la prueba ANOVA de una vía; se realizaron regresiones múltiples. Resultados: Los resultados mostraron niveles altos de resiliencia y entre media y alta inteligencia emocional; relación significativa, positiva y alta entre inteligencia emocional y resiliencia; tanto en la variable de regulación emocional como en la inteligencia emocional se encontraron diferencias significativas respecto al sexo y la especialidad. Los resultados del modelo predictivo con todas las variables de inteligencia emocional como predictores explicaron el 43,5% de la variabilidad observada de la resiliencia. Conclusión: Durante la pandemia, la inteligencia emocional y la resiliencia de los profesores son esenciales para afrontar las adversidades y los retos educativos que surgen como consecuencia de un contexto susceptible de cambios constantes y desreguladores.

Traditional prediction methods are time-consuming and limited in identifying students at academic risk in a timely manner. On the other hand, Learning Analytics has certain advantages. The aim of this study was to analyze characteristics of predictive models based on learning analytics in higher education. A systematic review of Web of Science, Scopus and Eric databases was conducted using the keywords "learning analytics" and "prediction". Twelve research studies that met the inclusion criteria were selected. The results indicated that 100% of the studies sought to predict academic performance, including analytical, sociodemographic and sociocognitive variables as predictors. The most used learning management system was Moodle for blended learning and online courses. The studies were mainly developed in Europe; the samples consisted of up to 500 participants from Engineering and Technology. The most frequent type of analysis was regression in R and SPSS softwares. Most achieved a large prediction model (R2 > .30). It was concluded that the current construction of dropout prediction models has important limitations. Los métodos tradicionales de predicción del riesgo académico en ocasiones presentan limitaciones para la identificación oportuna, por otro lado, las Analíticas de Aprendizaje presentan ciertas ventajas. El objetivo de este estudio fue analizar características de los modelos predictivos basados en analíticas de aprendizaje en Educación Superior. Se realizó una revisión sistemática de las bases Web of Science, Scopus y Eric usando las palabras clave "analítica de aprendizaje" y "predicción". Se seleccionaron 12 investigaciones que cumplieron con los criterios de inclusión. Los resultados indicaron que el 100% de los estudios buscaron predecir el rendimiento académico, se incluyen variables de analíticas, sociodemográficas y sociocognitivas como predictoras. El sistema de gestión de aprendizaje más usado fue Moodle de cursos blended learning y online. Los estudios se desarrollaron principalmente en Europa; las muestras fueron de hasta 500 participantes de Ingeniería y Tecnología. El tipo de análisis más frecuente fue regresión en software R y SPSS. La mayoría logró un modelo de predicción grande (R2 > .30). Se concluye que la construcción actual de modelos de predicción de abandono universitario posee importantes limitaciones. Os métodos tradicionais de previsão de risco acadêmico às vezes apresentam limitações para identificação oportuna. Por outro lado, a Analítica da Aprendizagem (Learning Analytics) apresenta certas vantagens. O objetivo deste estudo é analisar características de modelos preditivos baseados na análise da aprendizagem no Ensino Superior. Uma revisão sistemática dos bancos de dados Web of Science, Scopus e Eric foi conduzida usando as palavras-chave "análise de aprendizagem" e "predição". Foram selecionados doze estudos de pesquisa que preenchiam os critérios de inclusão. Os resultados indicam que 100% dos estudos buscaram prever o desempenho acadêmico, incluindo variáveis analíticas, sociodemográficas e sociocognitivas como preditores. O sistema de gerenciamento de aprendizagem mais comumente utilizado foi o Moodle para aprendizagem combinada e cursos on-line. Os estudos foram realizados principalmente na Europa, sendo as amostras de até 500 participantes de Engenharia e Tecnologia. O tipo de análise mais frequente foi a regressão nos softwares R e SPSS. A maioria conseguiu um grande modelo de previsão (R2 > .30). Conclui-se que a atual construção de modelos de previsão de abandono escolar tem limitações importantes.

Introducción. El ingreso de los jóvenes a la universidad es un periodo desafiante e importante para su vida tanto en términos académicos como personales. Se requiere disponer de un conjunto de habilidades que le permitan ajustarse satisfactoriamente a las demandas del nuevo contexto educativo. El ajuste a la vida universitaria, se vuelve una variable clave, dado que permite hacer frente a los requisitos de motivación, ejecución y rendimiento propios de la experiencia universitaria en los ámbitos, académicos, sociales, institucionales y personales de los estudiantes. Por tanto, es necesario conocer aquellas variables que predicen un adecuado ajuste de los estudiantes para proponer intervenciones oportunas de mejora. Objetivo. Evaluar la capacidad predictiva del engagement y la motivación académica en el ajuste de estudiantes universitarios. Metodología. Diseño predictivo-transversal, participaron 512 estudiantes de primer año de una universidad tradicional en Chile (Masculino= 297; Femenino= 215). Promedio de edad 19 años (DE=1.49). Resultados. Los modelos de regresión propuestos fueron estadísticamente significativos. El engagement fue el mayor predictor del ajuste académico (β =.511; p2=.40), institucional (B=.30; p2=.37), social (β =.29; p2=.15) y personal-emocional (β = .30; p2=.10), seguido de la motivación autónoma. Conclusiones. El engagement académico es relevante no solo en la promoción del rendimiento académico, sino también en los procesos de integración y adaptación de los estudiantes en el contexto universitario. Recomendaciones. Para contribuir con el ajuste de los estudiantes durante los primeros años, se hace relevante la implementación de estrategias que potencien el engagement académico y la motivación autónoma.

Debido a la pandemia por COVID-19, la vida académica de los y las estudiantes universitarios transitó repentinamente de la educación presencial a la educación remota de emergencia. Desde esta modalidad de enseñanza la vivencia universitaria estuvo centrada a espacios de educación virtual, los cuales pudieron perjudicar las expectativas de los y las jóvenes, generando desmotivación y posiblemente intención de abandono. Para poder brindar una educación virtual de calidad, las autoridades de las universidades implementaron diversos sistemas de gestión de aprendizaje (LMS), los cuales permiten organizar y proveer a los y las estudiantes de materiales y recursos necesarios para el desarrollo de las asignaturas. Adicionalmente estas plataformas permiten medir la participación de los y las estudiantes durante el desarrollo de los cursos por medio de las analíticas de aprendizaje. Las analíticas son consideradas como una herramienta valiosa para la detección temprana de estudiantes en riesgo de reprobación y abandono estudiantil. Por tal motivo, el objetivo de este trabajo fue evaluar por medio de las analíticas de aprendizajes la participación de estudiantes universitarios de primer año en un curso de Ciencias Básicas durante la pandemia por COVID-19. Método: Diseño asociativo transversal. Participaron 739 estudiantes de primer año provenientes de una universidad chilena, de estos 544 (73.6%) eran hombres y 195 (26.4%) era mujeres, todos eran estudiantes que cursaban un curso de Ciencias Básicas. Para la evaluación de la participación del estudiante se empleó las analíticas de aprendizaje obtenidas del sistema de gestión de aprendizaje CANVAS LMS implementado por la universidad participante durante la educación remota de emergencia. En este caso, la participación del estudiante corresponde a 1. El tiempo de conexión empleado semanalmente y durante el semestre al curso y 2. A la proporción de recursos educativos vistos (páginas, presentaciones, cuestionarios, imágenes, documentos, videos entre otros) semanalmente y durante ese semestre, respecto de los recursos disponibles o proporcionados por los docentes en la LMS. Se obtuvo el rendimiento académico y las características sociodemográficas del estudiante a partir de registros oficiales de la universidad participante. Los estudiantes fueron organizados en dos grupos (aprobados y reprobados), considerando la escala de interpretación del rendimiento académico en Chile (1 a 7 puntos, donde 4 corresponde a lacalificación mínima de aprobación). Luego de esto, se evaluaron las diferencias existentes en la participación del estudiante en la LMS y variable sociodemográficas como el puntaje de la prueba de ingreso a la universidad en el área de matemáticas (PSU) y el puntaje del estudiante alcanzado durante la enseñanza media (NEM). En los resultados encontrados se identificó diferencias estadísticamente significativas a favor de los estudiantes aprobados con respecto al tiempo de conexión empleado y la proporción de recursos vistos a lo largo de la semana y durante todo el semestre. En este caso, los estudiantes reprobados presentaron una menor participación en las LMS CANVAS impactando negativamente en su desempeño. Así mismo, se encontraron diferencias estadísticamente significativas con respecto al puntaje de enseñanza media y con respecto al puntaje PSU, siendo mayor en los estudiantes aprobados. Se concluye que el uso de las analíticas de aprendizajes permite realizar el análisis de la participación de los estudiantes en sus LMS durante el desarrollo de sus cursos, siendo una herramienta beneficiosa para la detección temprana de estudiantes en riegos de reprobación y eventualmente abandono.