Temps mínim de dedicació recomanat: Anàlisi de cas IV: atenció a la diversitat en el cas de l’alumnat amb altes capacitats
PID_00252095
Cap part d'aquesta publicació, incloent-hi el disseny general i la coberta, no
pot ser copiada,
reproduïda, emmagatzemada o transmesa de cap manera ni per cap mitjà, tant si
és elèctric com
químic, mecànic, òptic, de gravació, de fotocòpia o per altres mètodes, sense
l'autorització
prèvia per escrit dels titulars del copyright.
Índex
Introducció
En aquest mòdul es mostra com s’ha d’avaluar una intervenció dins de l’entorn educatiu
formal. Veurem quins passos s’han de seguir, i en quin ordre, per poder contestar
una pregunta d’investigació en l’entorn aplicat.
El capítol s’articula al voltant d’un exemple fictici però totalment versemblant.
La Clara, una psicopedagoga que acaba d’incorporar-se a un equip d’atenció psicopedagògica,
ha d’avaluar si els plans individualitzats són efectius o no a l’hora d’atendre alumnes
amb altes capacitats. Per fer-ho, la Clara necessitarà acumular evidències que li
permetin respondre a la seva pregunta d’investigació. Ho farà mitjançant la seqüència
següent: a partir d’aquest cas, veurem com Clara ha de concretar la demanda, seleccionar
quines dades necessita, aconseguir-les, analitzar-les per obtenir evidències i treure
conclusions a partir d’aquestes.
Finalment, la Clara haurà de seleccionar què vol presentar i en quin format; tot això
per aconseguir que les seves conclusions s’entenguin i es divulguin dins del seu centre
de treball.
1.Presentació del cas
La Clara treballa des de fa uns mesos a l’EAP (Equip d’Assessorament Psicopedagògic)
d’una comarca mitjana, on cursen estudis d’infantil i primària uns trenta mil alumnes,
aproximadament. La Clara ha acabat els seus estudis de Psicopedagogia recentment,
amb un expedient modèlic, per cert, i ràpidament ha trobat el lloc que sempre havia
desitjat. Justament és el lloc que sempre havia desitjat perquè la seva incorporació
té dos objectius, com li han deixat molt clar els seus superiors de l’EAP.
D’una banda, la Clara ha d’atendre les qüestions de funcionament habituals de l’EAP.
És a dir, donar resposta a la diversitat de l’alumnat i, concretament, ocupar-se dels
alumnes que presenten necessitats educatives especials. Entre aquestes tasques, trobem:
1) Identificació i avaluació de les necessitats especials dels alumnes i de les seves
consegüents adaptacions curriculars.
2) Assessorament sobre aspectes psicopedagògics i d’atenció a la diversitat de necessitats
de l’alumnat.
3) Orientació acadèmica i professional per a l’alumnat, les famílies i els equips docents.
4) Col·laboració amb els serveis socials i sanitaris.
Ara bé, aquestes tasques han d’ocupar, aproximadament, la meitat de la seva jornada
laboral. L’altra meitat ha de dedicar-la a investigar. Per què? Per a què? Els superiors
de la Clara creuen, i amb raó, que la gestió del dia a dia els està menjant tant de
temps i tants recursos que pràcticament no tenen temps d’avaluar les intervencions
que fan. Creuen que això no és positiu per a l’EAP, ja que és possible que estiguin
fent intervencions de manera acrítica i que o bé podrien ser optimitzades o bé reformades.
No té sentit que la intervenció sigui un procés cec que no és avaluat, no només de
manera individual, sinó també, i especialment, de manera col·lectiva. Els superiors
de la Clara saben que han de treballar sempre amb evidències.
Més concretament, l’EAP vol que la Clara estudiï l’efectivitat dels plans individualitzats
(PI) en el suport dels alumnes d’altes capacitats. A més, s’espera que sigui capaç
de respondre a la pregunta de si valen la pena i, si no sempre valen la pena, en quins
casos sí i en quins casos no. Aquest és l’encàrrec a què s’enfronta la Clara. En aquest
mòdul intentarem donar resposta a aquest encàrrec.
1.1.Operativització
La Clara està en una de les pitjors situacions possibles que es poden donar dins l’àmbit
de la investigació aplicada. D’una banda, ha de respondre a una demanda un xic imprecisa
i, de l’altra, no té experiència en recerca aplicada, ni tan sols en bàsica. Per on
ha de començar?
El que la Clara ha de fer és el següent:
1) Ha d’intentar fer operativa la demanda, és a dir, traduir-la a termes prou precisos
perquè acabin generant una pregunta –o una sèrie de preguntes– que es puguin respondre
amb un sí o un no, o amb una quantificació, un nombre.
2) Després, ha d’intentar esbrinar si té informació disponible, és a dir, si té accés
a les dades que li permetin respondre a les preguntes a les quals ha arribat al punt
anterior.
3) Un cop hagi aconseguit les dues coses, ha d’analitzar les dades que ha recollit al
punt 2 per obtenir les evidències que li permetran que li permetran respondre a les
seves preguntes.
4) Finalment, ha de presentar aquestes evidències de manera clara, concreta i entenedora,
fet que li permetrà respondre a les preguntes plantejades al punt 1.
Pel que fa al punt 1, la Clara ha tingut sort. A la Clara sempre li ha interessat
molt l’aspecte de la psicologia de les altes capacitats, un terme que actualment s’utilitza
per designar el que abans s’englobava sota l’etiqueta genèrica de «superdotats». A
més, va dedicar el seu treball de fi de grau a aquest tema. Per això la Clara sap
que els nens i els adolescents amb altes capacitats són aquells que demostren respostes
notablement elevades o el potencial necessari per aconseguir-les, comparat amb altres
individus de la mateixa edat, experiència o entorn. Tenen nivells alts de capacitat
en les àrees cognitives, creatives o artístiques; mostren una capacitat excepcional
de lideratge o destaquen en matèries acadèmiques específiques. Les altes capacitats
es poden trobar en nens i adolescents de tots els grups culturals, en tots els nivells
socials i en tots els àmbits de l’activitat humana. Aquesta definició d’altes capacitats
inclou els clàssics «superdotats», en la mesura que aquests són un subtipus d’alumne
amb altes capacitats, però no l’únic, ja que no s’han d’obviar el talent acadèmic,
el talent complex, el talent simple i el talent social, entre d’altres. (Martínez
i Guirado, 2010).
D’altra banda, la Clara sap perfectament què és un pla individualitzat (en endavant,
PI).
Un PI és el conjunt de suports i adaptacions que un determinat alumne pot necessitar
en els diferents moments i contextos escolars i també és el document escrit en què
consten aquestes decisions.
El responsable últim d’aquest PI és el tutor de l’alumne, que crea el PI amb la col·laboració
de l’equip de mestres i professionals de l’EAP, l’orientador i altres professionals
que participen en l’atenció educativa de l’alumne. És important notar que un PI sempre
es fa amb la col·laboració dels pares, mares o representants legals de l’alumne i
amb l’alumne mateix, si l’edat i les circumstàncies personals ho permeten. El pla
ha de ser aprovat pel director del centre educatiu (Direcció General d’Educació Infantil
i Primària, 2013).
Així doncs, sembla que la Clara ja pot fer operativa la pregunta d’investigació. I
decideix que sigui aquesta: «L’aplicació d’un PI en alumnes amb altes capacitats,
té efectes rellevants en les qualificacions dels alumnes?».
Observem dos elements nous. D’una banda, la Clara ha hagut de triar una variable dependent,
és a dir, ha hagut de triar una mesura en què es reflecteixi el coneixement de l’alumne,
que és el que els PI pretenen optimitzar. Si un PI no té cap efecte en les notes dels
alumnes, no serà fàcil defensar-lo.
Les notes no són l’única mesura que podria haver triat. Podria haver intentat obtenir
una mesura de satisfacció de l’alumne («Està més content a l’escola ara que té un
PI?»), però aquesta mesura no està disponible, i les notes, sí. Hi hem entrat de ple,
ja que en el punt 2 la informació està disponible. I és que cap de les quatre fases
que hem presentat anteriorment es pot donar de manera aïllada de les anteriors ni
de les posteriors. La no disponibilitat d’una mesura pot fer, en un context aplicat
com en el que ens movem, que ens hàgim replantejat la pregunta d’investigació. És
millor poder respondre de manera imperfecta a una bona pregunta que no poder respondre
de cap manera a la pregunta perfecta. LA Clara sap que l’EAP pot tenir accés a les
notes dels alumnes abans i després d’haver-se aplicat el PI i, per tant, que tindrà
disponible la informació necessària per donar resposta a la seva hipòtesi o pregunta
de treball.
La Clara sap que, idealment, per valorar una intervenció ha de recollir informació
sobre els alumnes als quals se’ls ha aplicat un PI i sobre els que no han rebut aquesta
atenció. Encara que dit així pugui semblar paradoxal, immediatament entendrem que
per poder atribuir la cura d’una malaltia, per exemple, a un medicament, l’ideal és
recollir informació de persones malaltes, però tant de les que hagin pres medicació
com de les que no ho hagin fet. Només així podrem garantir que la curació no es deu,
simplement, al pas del temps, i que sí que es deu al medicament que estem provant.
Amb aquesta idea, la Clara decideix seleccionar, d’entre els alumnes d’educació infantil,
primària i secundària de la seva comarca, aquells que han rebut un diagnòstic d’altes
capacitats. Se cenyirà als que l’han rebut en els últims cinc anys, ja que en aquest
període els PI han estat ben implementats i registrats. D’aquests alumnes, voldrà
saber si han rebut o no PI, les seves notes mitjanes de l’any anterior i posterior
al diagnòstic d’altes capacitats i el grau d’intervenció que ha suposat el PI. Això
últim es justifica perquè alguns PI suposen, simplement, petites adaptacions a una
assignatura, mentre que altres suposen una intervenció forta, en què el centre ha
de dedicar molts més recursos en totes o gairebé totes les matèries. En tots dos casos
es tracta d’aplicar un PI, però mesurar el grau d’intervenció és important.
Així doncs, i ja plenament en el punt 2, l’accés a la informació, la Clara ara ha
d’aconseguir les dades que li permetin respondre a la seva pregunta d’investigació.
Això és el que examinarem amb detall a l’apartat següent.
Què passaria si...
...la Clara no hagués trobat feina a l’EAP de la seva comarca, sinó en altres àmbits?
L’operativa que descrivim en aquest mòdul no seria substantivament diferent. Per exemple,
i dins l’àmbit sociocomunitari, la Clara podria haver treballat en una ONG. I aquesta
ONG podria haver-se preguntat –hauria d’haver-se preguntat– per l’efectivitat d’alguna
de les seves intervencions. Per exemple, proporcionar recursos econòmics directes
–és a dir, donar diners i no menjar– a persones sense sostre facilita la seva integració?
La Clara hauria d’haver obtingut una llista de les persones que haurien rebut recursos
econòmics directes i de les que no, i hauria d’haver escollit una mesura que indiqués
si aquestes persones han aconseguit trobar feina i habitatge. En aquesta situació,
menys institucionalitzada que la descrita per la Clara, probablement li hauria costat
més trobar les dades que li permetessin obtenir evidències per respondre a la seva
pregunta de recerca, però l’ONG hauria de tenir registrada la informació d’alguna
manera.
Què passaria si...
...la Clara hagués trobat feina al departament de recursos humans d’una empresa? L’empresa,
lògicament, es podria haver preguntat si la formació continuada que proporciona als
seus treballadors té algun efecte positiu en ells. Són més productius, tenen menys
baixes poc justificades, marxen a la competència amb menys freqüència? En aquest cas,
la disposició de les dades seria senzilla i la Clara podria, molt probablement, escollir
entre diferents variables dependents, és a dir, entre diferents conseqüències. És
lògic pensar que una empresa organitza millor les seves dades internament que un altre
tipus d’organització, ja que està obligada legalment a fer-ho perquè hi ha un cert
nombre d’hores de formació que són obligatòries per convenis col·lectius. L’objectiu
de la Clara, en aquest cas, seria clarament valorar la rendibilitat de la intervenció.
L’avantatge que tindria és que, a l’empresa, l’última mesura d’interès és monetària.
És a dir, seria possible contestar molt clarament si val la pena o no en la unitat
d’euros, fàcilment entesa per tothom.
2.Recollida i organització de les dades
La Clara sap que la seva organització, l’EAP, no disposa de les dades que necessita
a les seves bases de dades, ja que no acumula les notes dels alumnes ni té un registre
informàtic de qui rep un PI i qui no, però sap que pot aconseguir-les amb relativa
facilitat. L’EAP ha de parlar amb els centres de la comarca perquè digitalitzin les
dades que la Clara necessita.
I no podem deixar de fer notar que les situacions que la Clara podria haver trobat
en aquesta fase són múltiples. A continuació en detallarem algunes en diversos exemples,
però només en destacarem algunes, ja que, literalment, les possibilitats són infinites
i les decisions que s’han de prendre depenen molt de cada casuística.
La Clara hauria de saber que parlar de recollida i organització de la informació és
fer-ho de gestió de dades (data management en la literatura científica anglosaxona). L’objectiu que té aquesta fase de tota
metodologia científica és operativitzar i tractar la informació recollida i fer-la
útil per contestar les hipòtesis plantejades a l’inici de l’estudi. És una tasca complexa,
pròpia dels estudis científics, i que comprèn un conjunt de fases seqüencials (Rondel,
Varley, i Weeb, 1999).
Una gestió de dades deficient pot arribar a proporcionar resultats incongruents i
difícilment reproduïbles, ja que tot error de gestió, per petit que sigui, es propaga
i es magnifica en fases posteriors de l’estudi (Abelson, 1998). I és que tot i que
és conegut que la manca de qualitat durant el procés de gestió de dades d’un estudi
empitjora considerablement la seva validesa interna i externa, la preocupació per
la qualitat del procés de gestió de dades no ha rebut plena atenció fins fa relativament
poques dècades (Cobos, 1995; Granero, Doménech i Bonillo, 2001).
En contra de la creença generalitzada, l’ús de sistemes informàtics, per se, en el procés de gestió de les dades no assegura el correcte funcionament de totes
les operacions que comporta la gestió i l’anàlisi de la informació (Butcher, 1994).
L’efecte GIGO, acrònim de «garbage in, garbage out» (Cobos, 1995), descriu perfectament
aquesta situació i evidencia que quan les dades analitzades no es corresponen amb
la realitat que suposadament representen, no serveixen de res les eines informàtiques
més potents, els programes d’última generació o el personal més competent: si les
dades són una porqueria, les conclusions que faciliten també ho seran, ja que cap
tècnica estadística pot millorar les dades.
Els errors en les dades solen estar relacionats amb una d’aquestes fases (Bonillo,
2003): disseny dels formularis de recollida de dades, procés de recollida de les dades,
disseny de l’estructura de la base de dades, enregistrament de les dades a la base
de dades i preparació de la matriu de dades per a l’anàlisi estadística. Evidentment,
en cada fase la font d’error és diferent i, per tant, els mètodes de control s’han
d’adaptar a les seves peculiaritats.
Peculiaritats del cas
La Clara ha decidit recollir les dades de tots els alumnes amb altes capacitats de
la seva comarca perquè sap que no n’hi ha gaire. Les altes capacitats són un caràcter
minoritari i, ja que l’àmbit geogràfic d’actuació de la Clara també és restringit
(la seva comarca), el volum d’informació que ha de recollir no sembla un problema.
Ara bé, què hauria passat si la intervenció que la Clara volgués avaluar fos majoritària
o el seu àmbit geogràfic fos prou gran perquè el volum d’informació hagués estat «massa
considerable»? Per a aquests casos, disposem de les tècniques de mostreig. La Clara,
llavors, hauria d’haver reclutat una mostra, i no tota la població –població en el
sentit estadístic del terme, no ho confonguem amb una localitat. De nou, les possibilitats
metodològiques són infinites. D’una banda, podria haver fet una selecció aleatòria
d’alumnes, sortejant la participació de cadascun. Llavors tindria una mostra aleatòria
simple, i una situació estadísticament òptima. O, alternativament, podria haver seleccionat
«només» alguns centres i haver seleccionat tots els alumnes d’altes capacitats que
hi cursin estudis. En aquest cas, estaríem parlant d’un mostreig per conglomerats
–clusters, en terminologia anglosaxona–, i el conglomerat és l’escola. En qualsevol dels dos
casos, la Clara assumiria que són una mostra representativa –cosa que garanteixen
matemàticament les tècniques de mostreig– i que qualsevol conclusió extreta a partir
de les dades d’aquesta mostra és generalitzable a tota la població dels seus alumnes
amb altes capacitats. En definitiva, haver estat seleccionat o no és una anècdota,
i no hi ha cap motiu per pensar que els seleccionats es comporten de manera diferent
als que no ho han estat.
2.1.Registre
La Clara, amb bon criteri, decideix que crearà una aplicació en línia i que seran
els centres els que introdueixin les dades. Per això fa servir un formulari de Google
Spreadsheet. És una aplicació molt semblant a l’Excel, però gratuïta, que permet recollir
les dades en línia sense necessitat d’enviar fitxers per correu electrònic. Únicament
haurà d’enviar a cada centre un enllaç perquè puguin accedir al formulari que ha creat
i, directament, aquests podran introduir les dades que necessita.
Així doncs, la Clara es disposa a utilitzar l’estratègia de captura directa (o en
línia) de les dades. Sempre que sigui possible, el procediment que escollirem serà
la captura directa, ja que s’aconsegueixen efectes anàlegs a altres tècniques d’entrada
de dades i és molt més eficient.
Quines altres tècniques d’entrada de dades estaven a disposició de la Clara? Parlarem
únicament de dues: la doble entrada i la lectura òptica.
1) La doble entrada (DE) és una tècnica de control no automàtica que consisteix a gravar les dades (habitualment
disponibles en format paper o, en qualsevol cas, encara no digitalitzades) dues vegades,
confrontar les dues gravacions i revisar les dades discrepants. És una tècnica basada
en la recaptura de dades. La doble entrada la pot dur a terme un únic operador (encarregat
d’entrar la mateixa sèrie dues vegades diferents) o operadors diferents (cadascun
dels quals grava la mateixa sèrie una vegada). Aquesta última modalitat constitueix
el procediment d’elecció, ja que si una dada presenta problemes de llegibilitat, resulta
imprescindible disposar d’interpretacions diferents i independents (Gassman et al., 1995).
La lectura òptica, d’altra banda, consisteix a escanejar les respostes, que també
estan encara en format paper. Els formularis de lectura òptica són especialment adequats
quan la majoria de variables registrades són d’alternativa múltiple (les caselles
de verificació dels check-list, per exemple). Quan els formularis inclouen respostes manuscrites, com respostes
numèriques, l’escaneig requereix un estudi previ de fiabilitat del reconeixement òptic
d’aquests caràcters que es farà a partir d’una mostra aleatòria de formularis.
2) La lectura òptica permet evitar els errors introduïts per l’operador i disminueix el cost de l’enregistrament.
En contrapartida, aquesta tècnica de captura posseeix les seves pròpies deficiències
derivades de la manca de formació del personal que dissenya els formularis, l’ús de
programari poc fiable, formularis omplerts amb marques deficients, dificultat en el
reconeixement de caràcters i la manca de protocols fiables per solucionar els problemes
de legibilitat i interpretabilitat durant la captura (Bonillo, 2003).
Si el disseny de l’estudi ho permet, i el disseny que la Clara ha fet ho permet, la
captura directa és el procediment d’elecció, ja que s’aconsegueixen efectes anàlegs
a la doble entrada i a la lectura òptica però d’una manera molt més eficient. La captura
directa avantatja la doble entrada perquè només cal introduir una vegada la sèrie
i és preferible a la lectura òptica perquè la seva proximitat a la dada permet resoldre
problemes esdevinguts durant el seu mesurament. És a dir, si es detecta que una nota
d’un alumne que està sent introduïda és absurda, el mateix centre pot revisar-la i
el problema pot resoldre’s in situ. A més, la captura directa elimina el preregistre de les dades i, per tant, impedeix
la manca de correspondència entre el format en paper (que deixa d’existir) i el registre
informàtic.
Quin tipus de proteccions pot implementar la Clara en el seu formulari que minimitzin
els errors? Les descriurem de manera succinta, però poden ser de tres tipus: prevalidacions,
invalidacions i postvalidacions.
Una prevalidació és una condició lògica associada a un camp que s’avalua prèviament
a introduir-hi cap valor i que determina si es permet la seva edició o si se li assigna
un valor automàticament. Per exemple, si a un alumne no se li ha aplicat cap PI, les
hores setmanals del PI serien zero. No cal que qui introdueix les dades entri aquest
zero: el formulari hauria d’omplir-lo automàticament.
Una invalidació és una protecció que només permet gravar dades amb un format que es
correspongui amb el definit per al camp corresponent. Aquesta protecció està implementada
en tots els programes que contenen el concepte de «format del camp». Per exemple,
una invalidació no permet que s’introdueixi una lletra en un camp en què només pot
entrar la nota mitjana numèrica i tampoc permetrà introduir una data no vàlida en
un camp data, com el 31 de juny, un dia que no existeix.
Una postvalidació és una protecció que determina el rang de valors admissible en un
camp i les condicions que aquests han de complir respecte a altres camps. Per exemple,
una postvalidació no ha de permetre gravar com a valor de CI, mesurat en escala Weschler,
una dada negativa o superior a 150, ja que són valors impossibles. Tampoc permetrà
introduir notes superiors a 10, si l’escala d’aquestes és la tradicional, de zero
a deu.
Així doncs, la Clara crea un formulari que contingui les proteccions possibles per
evitar que les seves dades continguin errors i s’ajustin al màxim a la realitat.
2.2.Depuració
Què hauria passat si la Clara hagués introduït ja les dades en format digital i haguessin
estat capturades sense cap protecció o, almenys, sense algunes proteccions? Hauria
hagut de fer un procés de depuració, és a dir, detectar tots aquells valors fora de
rang o inconsistents que les seves dades hagin contingut. Alguns programaris estadístics
ja compten amb un mòdul que ajuda a detectar aquest tipus d’errors. El paquet SAS
(1999) incorpora a la seva versió 7 una sèrie d’instruccions, anomenades genèricament
integrity constraints, que especifiquen regles que s’han de complir tant pels valors existents abans d’especificar-les
com per les dades agregades després. Per la seva banda, Spss compta amb el mòdul de
data preparation que permet fer processos anàlegs als quals permet SAS. El que la Clara –i tots– hem
de tenir clar és que el que no podem fer és no fer res, ja que equival a posar-nos
una bena als ulls i oblidar que, de ben segur, algunes de les nostres dades seran
errònies. I recordem la síndrome GIGO: si les dades que fem servir són una porqueria,
les conclusions només poden ser-ho també.
La figura següent recull tota la casuística possible en la introducció de dades científiques.
En aquest mòdul no s’exposaran totes i cadascuna de les estratègies que es podrien
adoptar, però remetem el lector a fonts contrastades que tractin aquest tema.
Figura 1. El procés d'entrada i depuració de dades dins el context general d'investigació
científica
Font: Bonillo, 2003
3.Obtenció d’evidències
L’obtenció d’evidències, des de la perspectiva quantitativa que té aquest mòdul, consisteix
a calcular els índexs estadístics que permetin respondre a la pregunta d’investigació
a partir de la selecció de casos que s’ha fet en apartats anteriors, i obtenir gràfics.
Això sí, hem de distingir entre dos tipus de tècniques: l’estadística descriptiva
i la inferencial. Els apartats següents detallaran aquests dos tipus diferents d’estadística,
però no podem deixar d’exposar, en aquesta petita introducció, què justifica cadascuna
i quan s’han d’utilitzar.
1) L’estadística descriptiva és aquella part de l’obtenció d’evidències que recopila, analitza i interpreta dades
de manera que es puguin descriure fàcilment i ràpidament les característiques essencials
dels participants en un estudi. Ho fa mitjançant l’ús de gràfics i taules que continguin
índexs estadístics senzills. En el cas de la Clara, l’estadística descriptiva li servirà
per saber quants nois i noies componen la seva mostra, quants alumnes han millorat
les seves notes i quants no, i quina és la nota mitjana dels alumnes, per escollir
només alguns exemples.
2) L’estadística inferencial o inductiva pretén arribar a obtenir conclusions/generalitzacions que van més enllà del que aporten
estrictament les dades. És a dir, busca poder respondre què passa en la població d’estudi
d’on prové la mostra. Aquesta distinció, població-mostra, és fonamental per entendre
què implica l’estadística descriptiva i què implica la inferencial. Mentre que la
descriptiva es basa a fer un resum dels participants, la inferencial busca arribar
a una conclusió, justament, sobre els no participants. Per l’estadística inferencial,
els participants en una investigació són una anècdota i són útils en tant que ens
permeten contrastar el que passa amb els que no hi participen. Aquesta perspectiva
és, en certa manera, semblant al que passa en una enquesta. En una enquesta, els participants
no solen ser l’objecte d’estudi, sinó que són només un mitjà per conèixer els que
no hi participen. No ens interessa, per exemple, la intenció de vot de qui ha participat
en una enquesta electoral, sinó què votarà el conjunt de la població, la immensa majoria
no ha participat en l’enquesta. Així doncs, l’estadística inferencial busca generalitzar,
mentre que la descriptiva busca concretar.
A partir del que s’ha dit, és senzill entendre que l’estadística descriptiva té sentit
sempre, però no la inferencial. L’estadística inferencial té sentit només en dos casos.
En primer lloc, si estem treballant amb una mostra. En aquest cas, sempre té sentit
intentar generalitzar a la resta de la població les nostres conclusions. En segon
lloc, si, tot i treballar amb tota la nostra població, assumim que aquesta es pot
prendre com una mostra de la resta de subjectes que no hi participen. Vegem quin és
el cas de la Clara i entendrem millor a què ens estem referint.
La Clara treballa amb tota la població d’alumnes amb altes capacitats de la seva comarca.
No ha fet cap mostreig per seleccionar només alguns casos. Per tant, sent estrictes,
la Clara no hauria de fer una estadística inferencial. Ara bé, la Clara pot creure
que no hi ha motius per esperar que, d’una banda, els seus alumnes amb altes capacitats
siguin diferents dels d’altres comarques (properes o no) i, de l’altra, que els PI
que es fan al seu EAP no són gaire diferents dels que es fan en altres llocs. Només
si es donen aquestes dues condicions, la Clara podrà prendre la seva població com
una mostra i fer una estadística inferencial per generalitzar les seves conclusions.
3.1.Estadística descriptiva
Ara sí, per fi, la Clara pot començar a explorar les dades. En aquesta etapa, la Clara
no ha d’obtenir només aquelles evidències que li permetran respondre a la pregunta
de recerca, sinó que ha d’obtenir informació de totes les variables que ha registrat,
ja que, com que va decidir que els centres les completessin, totes tenen algun interès.
L’estadística descriptiva que s’ha de fer sobre cada variable depèn, en bona part,
del seu tipus de mesura. Aquest concepte és fonamental, ja que els índexs que obtenim
per a un tipus de variable no tenen res a veure amb els que obtenim per a d’altres.
Distingim, doncs, entre variables quantitatives i categòriques.
Entenem com a dades mètriques –o variables quantitatives, d’escala o mètriques– les
que es mesuren amb un valor numèric que designa una quantificació de l’atribut. L’alçada,
el pes, les notes o la puntuació d’extraversió són exemples de mesuraments mètrics.
La Clara recorda que les variables quantitatives es resumeixen mitjançant dos tipus
de mesura: de tendència central i de dispersió. Del primer tipus, solem utilitzar
la mediana aritmètica i la mediana, i del segon, la desviació típica i l’amplitud
interquartil. Vegem com ha d’interpretar-les la Clara.
Taula 1. Descriptius de la variable «edat»
|
Edat (anys) |
|
|
||
|
Núm. |
Vàlid |
232 |
||
|
Perduts |
0 |
|||
|
Mitjana |
10,98 |
|||
|
Desviació estàndard |
2,599 |
|||
|
Mínim |
7 |
|||
|
Màxim |
16 |
|||
|
Percentils |
25 |
9,20 |
||
|
50 |
10,20 |
|||
|
75 |
13,20 |
|||
En primer lloc, la Clara obté una descripció de la variable «edat» (taula 1) de les
dades que li han proporcionat els centres. Observa que el nombre final de casos que
han estat informats és de 232 i que tots els casos tenen valor en edat (perduts =
0).
La mitjana és propera als 11 anys (10,98) i la mediana és de 10,2. Recordem que la
mediana és el valor central d’una distribució, és a dir, si la Clara ordenés per edat
als seus 232 nois i noies, el que quedés exactament enmig de tots els valors seria
el valor medià. En el cas de la Clara, i ja que es tracta d’un nombre de casos parell,
el valor s’obté calculant la mitjana aritmètica dels dos valors centrals, és a dir,
els casos ordenats de les posicions 115 i 116. La utilitat d’observar els valors mínim
i màxim és, una altra vegada, que pot permetre detectar algun error que encara estigui
romanent. Què indica la desviació estàndard o típica de 2,599? Que la variació mitjana
dels subjectes és d’uns ± 2,6 anys. Encara que aquesta interpretació de la desviació
típica no sigui del tot rigorosa, sí que és bastant aproximada i facilita molt la
interpretació del valor. Què indiquen els percentils 25 i 75? Indiquen el grau de
dispersió dels valors respecte a la mediana. És a dir, el 25% dels alumnes amb altes
capacitats de la Clara tenen una edat inferior a 9,2, mentre que el 25% tenen una
edat superior a 13,2. La diferència entre els dos valors, (13,2 i 9,2) és l’amplitud
interquartil i indica que en aquests quatre anys es troba el 50% –central– dels alumnes
de la Clara. Ara, la Clara ja s’ha pogut fer una idea de quines edats tenen els seus
alumnes amb altes capacitats.
Taula 2. Descriptius de la variable «notes»
|
|
Nota mitja abans del PI |
Nota mitjana després del PI |
|
|
Núm. |
Vàlid |
232 |
232 |
|
Perduts |
0 |
0 |
|
|
Mitjana |
7,236 |
8,357 |
|
|
Desviació estàndard |
2,1018 |
2,14655 |
|
|
Percentils |
25 |
5,250 |
6,500 |
|
50 |
7,650 |
7,700 |
|
|
75 |
9,500 |
9,950 |
|
Recordem que la variable d’interès de la Clara són les notes (resumides en la nota
mitjana de l’alumne en una escala del zero al deu). La hipòtesi de treball és que
el PI ajuda a millorar-les. D’aquesta manera, la Clara obté els estadístics descriptius
(taula 2) i observa que la nota mitjana de tota la mostra ha augmentat des de 7,2
fins a 8,4. Aquesta dada, per se, no implica que els PI siguin efectius, ja que recordem que la Clara treballa amb
tots els alumnes amb altes capacitats, tant els que tenen un PI com els que no. D’altra
banda, veiem que no tots els alumnes amb altes capacitats tenen, ni de bon tros, altes
qualificacions. El 25% dels alumnes tenien notes inferiors a 5,3 i, posteriorment
al diagnòstic d’altes capacitats, el 25% encara tenen notes inferiors a 6,5. Ara bé,
sí que veiem que hi ha una cua de la distribució amb notes molt altes, ja que el 25%
tenia notes superiors a 9,5 i, posteriorment, un 25% va obtenir notes mitjanes properes
a 10 (9,95).
Vistes les variables mètriques, vegem les dades no mètriques o variables categòriques.
Aquestes permeten assignar un subjecte a una categoria de pertinença, que és un valor
d’una llista possible i no un continu, com en el cas de les dades mètriques. El sexe,
un diagnòstic clínic o l’acceptació d’una persona per part d’un grup serien exemples
d’aquest tipus de dades. També ho serien el gènere, l’aplicació d’un PI i el grau
de recursos que aquest consumeix (baix, mitjà o alt).
Les dades categòriques no es resumeixen, com passava amb els quantitatius, sinó que
es reprodueixen. És a dir, la mitjana d’edat és una mesura resum (i, com a tal, imperfecta)
del conjunt de dades que tenim, però, mitjançant freqüències, podem reproduir perfectament
la quantitat d’alumnes que reben un PI. No estem fent un resum: estem explicant i
donant, amb exactitud, la dada. Això fa que no tingui sentit donar una mesura de dispersió,
com sí que passaria amb les dades quantitatives, ja que no té sentit.
Taula 3. Freqüències de la variable «sexe»
|
|
Freqüència |
Percentatge |
Percentatge vàlid |
Percentatge acumulat |
|
|
Vàlid |
Masculí |
128 |
55,2 |
57,1 |
57,1 |
|
Femení |
96 |
41,4 |
42,9 |
100,0 |
|
|
Total |
224 |
96,6 |
100,0 |
|
|
|
Perduts |
Sistema |
8 |
3,4 |
||
|
Total |
232 |
100,0 |
|||
Figura 2. Freqüències de la variable «sexe»
Font: elaboració pròpia.
La Clara observa (taula 3) que hi ha vuit alumnes per als quals el centre no ha emplenat
el camp del sexe. És possible que aquesta informació es pugui recuperar tornant a
demanar-la, però suposarem que no és així. En aquest cas no poc freqüent, sinó majoritari,
en què hi ha dades que falten (o missing), els percentatges s’han de calcular sobre el total de casos vàlids (224) i no sobre
el total de casos (232). Així doncs, la Clara pot dir que a les seves dades hi ha
128 nois, que representen un 57,1% del total, mentre que hi ha 96 noies, és a dir,
un 42,9% del total. Observem que aquestes dades, proporcionades a la columna «percentatge
vàlid», sumen el 100%. Aquesta mateixa informació, però amb menys detall, ja que no
tenim valors perduts, es pot veure a la figura 2.
Per què hi ha aquest desequilibri a favor dels nois enfront de les noies? És una evidència
que les altes capacitats es detecten més en homes que en dones i la hipòtesi que la
literatura dona com a més probable és que moltes noies tendeixen a ocultar la seva
capacitat intel·lectual, principalment per facilitar la seva integració en el grup.
A més, el fet de ser menys propenses a causar problemes disciplinaris també pot explicar
aquesta diferència, que no s’explica de cap manera per la biologia (Departament d’Ensenyament,
2013). Les dades de la Clara sembla que aporten evidència en aquesta línia, tot i
que el motiu últim no pot ser estudiat amb les dades de què disposa.
Taula 4. Freqüències d’aplicació i nivell de plans individualitzats (PI)
|
Aplicació de PI |
|||
|
|
Freqüència |
Percentatge |
|
|
Vàlid |
Aplicació |
136 |
58,6 |
|
No aplicació |
96 |
41,4 |
|
|
Total |
232 |
100,0 |
|
|
Nivell d’aplicació PI |
|||
|
|
Freqüència |
Percentatge |
|
|
Vàlid |
Alta particularització |
88 |
37,9 |
|
Baixa particularització |
48 |
20,7 |
|
|
No aplicació |
96 |
41,4 |
|
|
Total |
232 |
100,0 |
|
La Clara veu (taula 4) que 96 dels 232 alumnes no reben PI (el 41,4%). Dels 136 casos
que sí que en reben (el 58%), 88 tenen una alta particularització (37,9%) i 48 una
baixa (20,7%). Per què hi ha un 41% de nens d’altes capacitats que no han rebut PI?
O bé l’alumne o els seus pares van preferir no rebre’n, o bé el centre no va creure
que fos necessari, o bé no tenien prou recursos docents per implementar-ne un.
Arribats a aquest punt, la Clara té una imatge diàfana de com són els alumnes amb
altes capacitats de la seva comarca. Ara bé, encara no ha respost a la pregunta de
la investigació: un PI pot fer que les notes dels nens que en reben un millorin?
La Clara obté ara els índexs descriptius de les notes dels alumnes amb altes capacitats
(taula 5), però dividits entre aquells que han rebut PI i aquells que no. Els resultats
indiquen diverses dades d’interès. En primer lloc, la semblança entre la mitjana de
les notes prèvies, tant per a aquells que han rebut PI com els que no, indica que
els dos grups eren comparables (6,99 enfront de 7,12). És a dir, no sembla que hagin
rebut un PI justament els pitjors o millors alumnes, sinó que, almenys pel que indica
la nota, tots dos eren molt semblants. Posteriorment, els alumnes que han rebut un
PI tenen notes que, d’una banda, són més altes que les dels que no han rebut un PI
(9,3 enfront de 7,04) i, d’altra banda, són més altes que les que ells mateixos tenien
abans de rebre el PI (9,3 enfront de 7,12). Per tant, i amb la informació de què fins
ara disposem, la Clara té evidències que, almenys a la seva comarca, el PI ajuda a
millorar el rendiment dels alumnes i que –també a la seva comarca– no sembla associar-se
el fet de rebre un PI o no a diferències prèvies entre alumnes. Aquesta mateixa informació
es pot veure d’una manera més gràfica a la figura 3.
Taula 5. Mitjana de notes abans i després de l’aplicació d’un pla individualitzat
(PI)
|
Aplicació d’un PI |
Nota mitja abans del PI |
Nota mitjana després del PI |
|
|
No aplicació |
Mitjana |
6,992 |
7,038 |
|
Núm. |
96 |
96 |
|
|
Desviació estàndard |
1,8367 |
1,4831 |
|
|
Aplicació |
Mitjana |
7,115 |
9,288 |
|
Núm. |
136 |
136 |
|
|
Desviació estàndard |
1,8183 |
2,5964 |
|
|
Total |
Mitjana |
7,236 |
8,357 |
|
Núm. |
232 |
232 |
|
|
Desviació estàndard |
2,1018 |
2,4655 |
|
Figura 3. Mitjanes de notes abans i després de l'aplicació d'un PI
Font: elaboració pròpia.
Sembla que la Clara ja ha respost a la pregunta principal de l’estudi, però encara
queda una qüestió per resoldre, però no per això menys important, i que els seus superiors
ja van plantejar a l’inici de l’estudi. Qualsevol PI és útil o només ho són alguns?
La Clara obté la mateixa taula que ja havia obtingut amb anterioritat, però ara disgregada
pel nivell d’implicació del centre, és a dir, de recursos consumits (taula 6).
Taula 6. Mitjana de notes abans i després d’un pla individualitzat (PI) en funció
del seu nivell d’aplicació
|
Nivell d’aplicació del PI |
Nota mitjana abans del PI |
Nota mitjana després del PI |
|
|
No aplicació |
Mitjana |
6,992 |
7,038 |
|
Núm. |
96 |
96 |
|
|
Desviació estàndard |
1,8367 |
1,4831 |
|
|
Baixa particularització |
Mitjana |
6,100 |
6,775 |
|
Núm. |
48 |
48 |
|
|
Desviació estàndard |
1,3829 |
0,5767 |
|
|
Alta particularització |
Mitjana |
6,214 |
9,159 |
|
Núm. |
88 |
88 |
|
|
Desviació estàndard |
0,7977 |
2,2126 |
|
|
Total |
Mitjana |
7,236 |
8,357 |
|
Núm. |
232 |
232 |
|
|
Desviació estàndard |
2,1018 |
2,4655 |
|
I el resultat és sorprenentment clar: els alumnes que reben alta particularització
tenen una nota mitjana molt més alta (9,16) de la dels que han rebut un PI amb baixa
particularització (6,78). De fet, podem observar que aquests últims tenen una nota
molt semblant als que no han rebut cap PI (7,04). Tot sembla indicar, doncs, que rebre
un PI amb baixa particularització equival a no rebre’n cap, i que només els PI amb
alta particularització milloren substantivament les notes dels alumnes que els reben.
La Clara ha respost a la pregunta que li havien plantejat i no ha necessitat fer una
inferència poblacional.
3.2.Estadística inferencial
Suposarem que l’interès de la Clara no es basa exclusivament en la seva comarca i
que pot assumir el que dèiem a l’inici d’aquest apartat, és a dir, que ni els seus
alumnes amb altes capacitats ni els seus PI són substantivament diferents d’altres
que s’apliquen en altres comarques. La Clara pot prendre, en aquest cas, la seva població
com una mostra aleatòria extreta de la població general d’alumnes i intentar generalitzar
les seves conclusions. Amb aquesta perspectiva, la Clara estaria anant molt més enllà
del que els seus superiors li requereixen.
El canvi de perspectiva es resumiria de la manera següent: els PI són útils o les
diferències que ha trobat la Clara (i que són evidents i innegables) són explicables
per l’atzar? Per resoldre aquesta pregunta necessitem l’estadística inferencial.
En primer lloc, donarem una perspectiva general que permeti al lector entendre les
idees generals i, en segon lloc, passarem a veure què pot i ha de fer la Clara.
Dins d’aquesta perspectiva inferencial, i tot i que no hauria de ser així, l’elecció
d’una tècnica d’anàlisi de dades és un dels aspectes centrals d’una investigació.
És més: sol ser una de les preocupacions dels investigadors novells. Això no hauria
de ser així pel que fa al conjunt de tècniques que podem escollir, atès que el disseny
d’una investigació, que ha de ser sempre previ, és bastant reduït. Si un investigador
analitza el seu estudi a la llum dels pocs factors que determinen l’elecció de la
tècnica, aquestes es redueixen a un ventall escàs. L’elecció final, si es té la sort
de disposar de més d’una tècnica per escollir, dependrà d’altres conceptes, com la
seva familiaritat amb la tècnica, la disponibilitat de programes que la utilitzin
o, fins i tot, la seva freqüència d’ús, és a dir, tradicions o modes, en l’àmbit de
recerca on es treballi.
El primer factor que un investigador ha de plantejar és si la seva hipòtesi de treball
–i, consegüentment, les dades que se’n deriven i que s’esperen recollir– dona lloc
a intentar explicar la realitat o si, per contra, «només» dona lloc a intentar reduir-la.
Entendrem que una hipòtesi pretén explicar la realitat quan l’investigador selecciona
un grup de subjectes i recull un conjunt de variables independents (o factors, segons
la terminologia que usem) i els relaciona amb una variable dependent, o variables,
també anomenada consegüent. Aquest enfocament és científicament el més ambiciós, ja
que en últim terme pretén extreure conclusions que lliguin causalment unes variables
amb altres, bé sigui en la mateixa investigació en curs, bé sigui en futurs treballs.
La figura 4 conté un resum succint de quina tècnica explicativa s’ha de fer servir
depenent de la situació.
Figura 4. Tècniques explicatives d'anàlisi de dades en funció del tipus de variable
dependent
Font: elaboració pròpia
Una hipòtesi que dona lloc a una reducció de la realitat és aquella que, quan s’operativitza
planteja agrupacions entre casos (participants) o entre variables (atributs). Aquest
objectiu, tot i ser epistemològicament menys ambiciós que l’anterior, no és en absolut
menyspreable. Aconseguir generar grups a partir de participants semblants pot permetre
descriure perfils proclius a comportaments d’interès.
Paral·lelament, agrupar variables, o atributs, semblants permet conèixer en profunditat
els constructes amb què es treballa, la qual cosa és un objectiu fonamental de tota
la psicologia. A més, estudiar l’agrupació de variables permet optimitzar els instruments
de recollida de dades, ja que només es recollirien les variables fonamentals de cada
constructe i no aquelles que no aporten res substantiu.
Un cop definit l’abast i l’objectiu de l’estudi, que anomenarem explicatiu o associatiu,
el segon factor que l’investigador ha de plantejar-se és quina és la tipologia de
les variables que gestionarà. En el cas de les tècniques explicatives, l’escala de
mesura de la variable de resposta determina completament el model, o la família de
models, que s’escollirà. Així doncs, amb variables dependents quantitatives és aplicable
una família de models, mentre que amb variables dependents categòriques, una altra,
i amb variables de recompte, una altra de diferent. No és l’objectiu d’aquest mòdul
presentar aquestes tècniques, però sí que volem donar una imatge general, de conjunt,
d’aquelles que el lector pot necessitar en algun moment, si les seves investigacions
ho requereixen. Per aprofundir en aquestes tècniques, recomanem les monografies de
Fink (2002), que són senzilles però exhaustives.
En el cas d’estudis associatius, la tècnica dependrà de la mètrica de les variables
que volem associar. Els models més senzills només permeten l’ús de variables quantitatives,
mentre que els més complexos accepten variables de qualsevol tipologia.
Aquest segon conjunt de tècniques es pot veure a la figura 5.
Figura 5. Tècniques associatives d'anàlisi de dades en funció dels tipus de variables
que volem associar
Font: elaboració pròpia
Arribats a aquest punt: què pot i què ha de fer Clara? En primer lloc, hauria de calcular
una mesura d’associació entre les notes prèvies i les notes posteriors i confirmar
que les dues estan linealment relacionades. Tot i que no sembla lògic, podria passar
que els alumnes que tenien abans notes altes les baixessin, i viceversa, i que això
diluís l’efecte que, aparentment, hem trobat a la part descriptiva. Per això l’índex
més senzill que podem calcular és una correlació de Pearson. L’índex de correlació
de Pearson és una mesura de la correlació lineal entre dues variables, que anomenarem
X i Y. Té un valor entre +1 i -1, en què 1 indica una correlació lineal positiva total,
0 representa que no hi ha cap correlació lineal i -1 és una correlació lineal negativa
total. És àmpliament utilitzat en l’àmbit científic i va ser desenvolupat per Karl
Pearson, al qual deu el seu nom.
Taula 7. Correlació entre la mitjana de les notes abans i després d’un pla individualitzat
(PI)
|
|
Nota mitjana després del PI |
|
|
Nota mitja abans del PI |
Correlació de Pearson |
0,778 |
|
Significació (bilateral) |
0,000 |
|
|
Núm. |
232 |
|
Figura 6. Relació lineal entre les variables «notes prèvies» i «notes posteriors»
Font: elaboració pròpia.
En primer lloc, la Clara (taula 7) quantifica la relació lineal entre les dues variables,
i el valor de la correlació és r = 0,788, un valor relativament alt. La imatge d’aquest valor ens la proporciona el
gràfic de dispersió de la figura 6, en què veiem que, com més gran és la nota prèvia,
més gran és la nota posterior. Ara bé, el valor p (etiquetat com a «significació») té tant d’interès com el valor que acabem d’obtenir,
obtingut a la taula 7. Aquest valor apareix com a 0, però no ho és, sinó que apareix
així perquè és molt petit. Direm llavors que p < 0,0005. I què indica? Indica que és molt poc probable que aquest resultat de 0,788,
amb aquesta grandària de mostra, s’hagi obtingut per atzar, de manera que l’evidència
sembla indicar –i aquest és el punt clau– que en la població que no ha participat
en l’estudi també es donarà una correlació no nul·la entre les notes prèvies i posteriors
al diagnòstic.
Volem recalcar el matís de «no nul·la» que hem esmentat al paràgraf anterior. Una
mesura de significació no ens diu si un efecte o una relació és gran o petit. Ens
diu si és versemblant que sigui nul o no en la població d’origen. Un efecte pot ser
no nul i ser petit, cosa que pot passar perfectament quan es treballa amb mostres
grans. En mostres amb molts centenars o milers de subjectes, un petit efecte pot ser
detectat com a significatiu, però ser tan petit que la seva implementació no sigui
rendible. L’accepció popular de «significatiu» com a sinònim d’«important» contribueix
a confondre el que realment vol dir la significació estadística.
Quines altres possibilitats té la Clara amb les seves dades dins d’aquesta línia inferencial?
Moltes, però sempre des de la perspectiva d’aquest mòdul, que pretén fer una introducció
al tema, la Clara podria obtenir, d’una manera molt senzilla, els valors p associats a la distribució d’haver rebut o no un PI per sexe. És a dir, podria obtenir
una evidència que li permetés veure si en la població general de nens amb altes capacitats
–recordeu que estem anant més enllà de la comarca on treballa la Clara– el fet de
rebre o no un PI depèn de ser nen o nena.
Per fer-ho, la Clara hauria d’obtenir una taula de contingència o una taula de freqüències
creuades (taula 8) i el valor p associat a ella. Si llegim els valors de la taula, observarem que disposem de les
freqüències –cinquanta-sis noies i trenta-dos nois no han rebut PI–, però és molt
més interessant interpretar els percentatges, ja que no depenen de les mides de les
mostres. És a dir, la dada de cinquanta-sis noies s’explica, en part, per haver-hi
menys noies (noranta-sis) que nois (vent vint-i-vuit) amb diagnòstic d’altes capacitats.
Això no passa si veiem que el 58,3% de les noies amb diagnòstic d’altes no reben PI,
mentre que en els nois això passa en el 25% dels casos. Aquest percentatge no està
afectat pel diferent nombre de nois i noies, i ens permet veure que, almenys a la
comarca de la Clara, el sexe s’associa i molt a la probabilitat de rebre un PI. Però
i en la població? El valor del khi-quadrat és de 25,55 (no reproduït a la taula per
motius d’espai), té un grau de llibertat i, de nou, una p < 0,0005. Per tant, i sempre assumint que els PI i els alumnes de la Clara són semblants
a la resta, la Clara podria afirmar que a la seva població d’origen això també és
així, ja que és molt poc probable trobar una diferència tan gran com aquesta, per
atzar, en una mostra d’aquesta mida.
Taula 8. Freqüències d’aplicació de plans individualitzats (PI) per sexe
|
|
Sexe |
|
|||
|
Femení |
Masculí |
Total |
|||
|
Aplicació de PI |
No aplicació |
Recompte |
56 |
32 |
88 |
|
% columna |
58,3% |
25,0% |
39,3% |
||
|
Aplicació |
Recompte |
40 |
96 |
136 |
|
|
% columna |
41,7% |
75,0% |
60,7% |
||
|
Total |
Recompte |
96 |
128 |
224 |
|
|
% columna |
100,0% |
100,0% |
100,0% |
||
Aquestes dues tècniques inferencials bivariants són les que la Clara ha utilitzat
per respondre a les preguntes del seu estudi. Podria haver anat molt més enllà i utilitzar
les tècniques multivariants que s’han presentat a la primera part d’aquest apartat,
però no és l’objectiu d’aquest mòdul aprofundir-hi, sinó només introduir-les, com
hem fet.
4.Avaluació i presentació d’evidències
Tota la feina que ha fet la Clara fins ara ha servit perquè ella pugui respondre a
la pregunta d’investigació, però fins que no comuniqui els resultats als seus superiors
i companys, els resultats de la Clara no serviran per a res pràctic. En definitiva:
cap investigació conclou fins que es presenta l’informe. Així doncs, en aquest apartat
proporcionarem algunes recomanacions sobre què (i com) ha de reflectir un informe
realitzat a partir de la valoració d’una intervenció en l’àmbit educatiu.
El més habitual és que sigui necessària la redacció d’un informe que reflecteixi l’estudi
que s’ha dut terme i que, a més, sigui necessari que la mateixa persona que ha dut
a terme l’estudi presenti els resultats. Addicionalment, recomanem redactar un informe
executiu que contingui els aspectes principals de la recerca.
Vegem, pas a pas, cadascun d’aquests possibles lliurables.
4.1.L’informe d’investigació
Un informe d’investigació té diversos objectius a complir, i cadascuna de les seves
parts (que són comunes a tota metodologia científica i que podem veure a la figura
7) pretén donar resposta a aquests objectius. En primer lloc –en aquesta explicació
no seguirem l’estricte ordre dels apartats, sinó que farem servir un ordre més heurístic–
ha de contenir una descripció clara dels seus objectius. Què pretenem estudiar? En
el cas de la Clara, el seu objectiu és l’estudi de l’efectivitat dels PI en nens amb
altes capacitats. Aquest és el seu objectiu primari, l’encàrrec que ha rebut. Una
investigació no hauria de contenir més de dos o tres objectius d’investigació. Si
en té més, potser hauria de plantejar-se fer més d’una investigació per no abastar
més del que pot.
Dels objectius d’investigació sorgeix la hipòtesi, la pregunta concreta de recerca,
i que en el cas de la Clara hem vist que avalua (o afirma, si parlem en termes d’hipòtesis)
si els PI augmenten les notes dels alumnes. Observeu que la hipòtesi és una concreció,
una operativització de l’objectiu. Aquests dos apartats, objectius i hipòtesis, han
d’aparèixer d’una manera molt breu i concisa. No té sentit un objectiu de tres línies,
ni té sentit una hipòtesi amb tres subjuntives. Al lector li ha de quedar molt clar
què es pretenia fer i què es preguntava, i s’ha de fer en un llenguatge totalment
lliure de floritures. En aquest context cal fer servir frases curtes i clares amb
poca adjectivació.
Ara bé, com s’ha arribat fins aquí?, per què ha sorgit aquesta pregunta d’investigació?,
per què és important l’àmbit que es tracta a la investigació? I, finalment, hi ha
investigacions semblants en altres llocs o en altres contextos? A totes aquestes preguntes
volem donar resposta amb la primera part de l’informe, la introducció/justificació.
La introducció ha de contenir un resum sobre el que la comunitat científica sap del
tema, de l’objectiu i de què tractarà la investigació. La seva extensió dependrà del
que requereixi l’informe, entenent que en contextos aplicats, com el de la Clara,
podrà ser més breu i, en altres més rigorosos o més formals, podrà ser més extensa.
La justificació és un punt fonamental, especialment en el context de la Clara. Ha
de contenir una explicació de per què es pretén resoldre el problema, un apartat important.
En el cas de la Clara, hauria de contenir una explicació del talent que la societat
perd per haver gestionat malament les altes capacitats, del fracàs escolar que causa
i dels problemes mentals que molts nens amb altes capacitats pateixen per ser mal
atesos a l’escola. En definitiva, el lector ha d’entendre que el problema que l’informe
vol resoldre és realment molt important.
La metodologia de l’estudi té un doble objectiu. D’una banda, ha de permetre al lector
veure que el que s’ha fet és correcte. De l’altra, ha de ser molt detallada per permetre
la reproductibilitat de l’estudi, és a dir, perquè es pugui repetir en un altre moment
o en un altre lloc.
Les dues necessitats, auditació i reproductibilitat, fan que aquest apartat hagi de
ser molt detallat. La Clara haurà d’exposar clarament el següent: en primer lloc,
quines variables ha mesurat i de quina manera exacta ho ha fet; en segon lloc, com
és el formulari que ha creat i quines proteccions conté; a continuació, quins permisos
ha hagut d’obtenir i de quines institucions, en cas que hagi estat necessari; en quart
lloc, quines característiques tenen els nens seleccionats i per què ha imposat –si
ho ha fet– certes condicions de participació; finalment, quins instruments ha fet
servir –si n’ha necessitat– per fer les seves mesures, és a dir, quines bateries psicològiques
ha administrat, qui en són els autors i quines són les seves principals propietats
psicomètriques. En definitiva, ha de fer un registre exhaustiu de tots els aspectes
que es puguin auditar o replicar. Aquest apartat és el que justifica que l’estudi
pugui ser qualificat de científic, ja que no podem considerar científica cap investigació
que no sigui auditable o reproduïble.
L’apartat de resultats ha de contenir les evidències que hem obtingut, de les quals
hem parlat profusament en l’apartat que els hem dedicat en aquest mòdul. És important
notar que aquest apartat exigeix cenyir-se a les dades que les evidències ens proporcionen
i que la seva interpretació ha de ser breu i succinta. Un bon apartat de resultats
ha de permetre al lector veure que les evidències obtingudes són conseqüents amb el
disseny de l’estudi que s’ha explicat en l’apartat anterior de l’informe (mètode),
però no ha de contenir especulacions ni interpretacions que vagin més enllà dels resultats
en si. Els resultats s’expliquen, sense més; no s’interpreten.
Finalment, l’apartat de discussió sí que pot contenir, i ho ha de fer, interpretacions
i especulacions. En aquest context, entenem que especular és hipotetitzar per què
hem trobat aquests resultats i no uns altres. La Clara hauria d’escriure aquí que
és possible que, a la seva comarca, les altes capacitats en nenes potser estan infradiagnosticades.
No en té cap prova, però el nombre més gran de nens que de nenes al programa fa que
sigui molt versemblant que això passi. També hauria d’explicar que el fet que les
nenes rebin menys PI que els nens és possible que també s’associï a una perspectiva
de sexe, i no al fet que les nenes no necessitin PI. Potser les nenes reben menys
atenció perquè, generalment, «es queixen menys i donen menys problemes a l’aula» (frase
textual d’una mestra). En definitiva, quan diem especular no diem fabular, sinó que l’autor ha de contextualitzar els resultats basant-se en la teoria. I la
teoria és clara a l’hora d’afirmar que el grau d’altes capacitats és igual entre sexes.
Es tracta, doncs, de donar una explicació temptativa, que l’estudi no pot respondre
–si pogués, ho faria–, de què està passant a la població escolar perquè les evidències
hagin estat les que són.
En aquest apartat, el de discussió, és on també s’han d’introduir les futures preguntes
d’investigació. De ben segur que la Clara té noves preguntes a fer, que han sorgit
d’aquesta investigació que està presentant. Quantes hores, òptimament, hauria de tenir
un PI per ser el més eficient possible, és a dir, per aconseguir més resultats amb
menys inversió? Seria natural que aquesta pregunta ocupés la investigació següent
i que aparegués en aquest apartat de discussió. El que hem trobat contradiu la literatura
científica existent? Si ho fa, per què creiem que ho fa? No podem deixar d’especular
sobre tots aquests aspectes.
Finalment, s’ha d’annexar tot protocol que hagi permès dur a terme la investigació,
o material addicional, que, sense ser part de cap dels apartats anteriors, pogués
permetre la reproductibilitat de l’estudi. La Clara podria incloure una versió en
format paper del formulari que ha elaborat perquè el lector el pugui fer servir en
altres investigacions semblants o perquè criticar el de la Clara si hi ha algun error
manifest.
Figura 7. Apartats d'un informe d'investigació
Font: Tejada (1997)
4.2.L’informe executiu
A l’inici d’aquest apartat, dèiem que tot informe d’investigació hauria d’anar acompanyat
d’un informe executiu. Què és un informe executiu? En primer lloc, cal aclarir què
no és un resum executiu. No és un abstract. Entenem com a abstract el resum de la investigació que precedeix una publicació científica i que conté entre
cent cinquanta i dues-centes cinquanta paraules. Aquest tipus de resum l’utilitzem
els lectors d’articles científics per decidir si volem llegir o no la investigació
completa. Aquest és el seu veritable propòsit. Una investigació pot no interessar-nos
pel seu tema o per la seva metodologia o perquè les seves conclusions tracten el tema
d’estudi dins d’un àmbit que no ens és proper. És clar que els destinataris de la
investigació de la Clara la llegiran (o això creu ella i, de ben segur, que ho facin
o no, no depèn de com ella la resumeixi), ja que es tracta d’un encàrrec que li han
fet els mateixos destinataris. La investigació de la Clara no competeix en lectors
amb, literalment, milers d’altres investigacions des del punt de vista del lector,
cosa que sí que passa en els articles que contenen un abstract.
Per tant, un resum executiu s’ha d’estendre força més enllà del que ho fa un abstract. Alguns indiquen que pot ocupar entre un 5% o un 10% de l’informe original, però
no som gaire partidaris de donar valors així de precisos. Idealment, hauria d’ocupar
una cara d’un full o poc més; dues cares si la investigació és molt llarga.
Què ha de contenir? Una selecció de tots els punts de l’informe; idealment, amb tots
els seus títols. El que el diferencia del treball original és que podem considerar
cada paràgraf com una idea, una píndola d’informació. El destinatari de l’informe
executiu és el mateix que rep l’informe original, així que no podríem justificar un
canvi de to, és a dir, de registre. Ha de permetre al lector entendre tot el que ha
fet la Clara sense haver de buscar en detall a l’informe. També ha de permetre «refrescar»,
recordar, la investigació de la Clara sense necessitat de tornar-la a llegir per complet
poc després d’haver-ho fet per primera vegada.
Si fins ara hem exposat com hauria de ser un informe d’investigació aplicada, no podem
deixar passar com creiem que hauria de presentar-se. Una presentació s’hauria d’assemblar
més a l’informe executiu del que hem parlat en el paràgraf anterior que a l’informe
complet d’investigació. La principal diferència formal respecte a aquest és que podem
fer servir, i ho hem de fer, suports gràfics que facilitin la comprensió. Amb això
no volem dir, ni de bon tros, que la Clara hagi de fer un espectacle de focs artificials
durant la seva presentació. El que volem indicar és que, a la presentació, la Clara
ha d’introduir més gràfics i menys taules que les que ha fet servir a l’informe. I
que la seva presentació hauria de ser un complement visual de la seva explicació.
En molts casos veiem presentacions en què el ponent es limita a escriure a la seva
presentació les frases que dirà. Això s’ha d’evitar, ja que no ajuda en res duplicar
la informació que el ponent proporciona. El text que es projecti hauria de ser un
eslògan, un aforisme de l’explicació que el ponent està fent en aquest moment, complementar-la
i resumir-la. Es tracta de deixar a la ment del que ens escolta unes poques idees
molt clares: què hem fet, per què, què hem trobat i què farem. Res més. Si l’espectador
actual està interessat en detalls nimis, sempre pot acudir, i ha de fer-ho, a l’informe
complet, que de ben segur té disponible.
En definitiva, explicar, resumir i presentar bé una investigació és una part ineludible
en un estudi. No serveix de res una investigació de gran qualitat si després no queda
reflectida en el paper –i a la sala– amb la qualitat que té.
5.Conclusió
En aquest mòdul hem vist, a grans trets, com dur a terme una investigació a partir
d’una intervenció en l’àmbit educatiu formal. Però l’àmbit, creiem, és el de menys,
perquè el que esperem haver proporcionat són les consignes bàsiques per avaluar qualsevol
tipus d’intervenció, especialment dins de l’àmbit psicopedagògic, però no només en
l’àmbit educatiu. Avaluar intervencions en departaments de recursos humans, o en entitats
socials, no és gaire diferent de fer-ho en altres casos. Requereix ser metodològicament
rigorós, obtenir evidències i treure conclusions a partir d’aquestes intervencions.
Si volguéssim convèncer el lector d’una cosa, d’una sola cosa, ens hauríem de basar
en evidències, en dades, per prendre decisions i valorar les intervencions. D’una
banda, tota intervenció hauria d’anticipar què espera trobar i, de l’altra, valorar
si ho ha aconseguit. Ho hauria de fer de manera operativa, de manera clara i rotunda,
sense ambigüitats. Òbviament, això no s’hauria de fer únicament, ni tan sols especialment,
en les ciències socials. S’hauria de fer davant de qualsevol intervenció que comporti
una inversió de recursos. No hauria de passar comptes –el concepte anglosaxó d’accountability– algú que implementa una mesura política determinada amb una pretensió? El mateix
s’hauria de fer amb l’obra pública: avaluar, avaluar i tornar a avaluar si el tall
de certs carrers va millorar la qualitat de l’aire i com ho va fer. Perquè tota actuació
no avaluada és més semblant a una tradició, a una cosa que «es fa perquè sí, perquè
sempre s’ha fet així», que a una intervenció seriosa, responsable i eficient.
En l’àmbit de la intervenció psicopedagògica, estem obligats a avaluar si el que fem
serveix i en quina mesura ho fa, ja que invertim (molts) recursos, tant materials
com humans (que també acaben sent materials), en l’educació. A més, molt freqüentment
són recursos públics que els ciutadans paguen amb els seus impostos. La disponibilitat
finita d’uns i altres, dels materials i dels humans, ens obliga a dedicar-nos especialment
a aquelles intervencions que són més eficients i, per això, hem d’avaluar-les amb
una metodologia comuna, la científica.
Què ha de fer el lector que hagi d’aprofundir, o que vulgui fer-ho, en algun (o en
tots) dels aspectes d’aquest mòdul? Pot dirigir-se a algunes de les fonts citades
a la bibliografia. La col·lecció de llibrets de Fink (2002) és una excel·lent font
primària. Cadascuna d’aquestes breus monografies està dedicada a un aspecte de la
investigació. I ho fa amb un llenguatge planer, allunyat de formalismes.
En el cas de l’anàlisi estadística, que és un món en si mateix, la font que vulguem
recomanar dependria de la tècnica d’interès. El número especial d’anàlisi estadística
de Papeles del psicólogo és un bon inici, ja que també està dirigit a un públic no investigador, sinó professional
aplicat.
D’altra banda, la millor manera d’aprendre i entendre com investigar és llegir moltes
investigacions i entendre les crítiques i els elogis que reben. Només així, veient
els errors i encerts d’altres, podrem evitar-ne uns i aconseguir-ne uns altres.
Bibliografia
Abelson, R. P. (1998). La estadística razonada: reglas y principios. Barcelona: Paidós. (edició original: Erlbaum, 1995).
Bonilllo, A., Doval, E., Molinuevo, B., Pardo, Y., Pérez, C., i Torrubia, R. (2007).
Família i educació a Catalunya. Barcelona: Fundación Jaume Bofill.
Bonillo, A. (2003). Sistematización del proceso de depuración de los datos en estudios con seguimientos. Tesis doctoral no publicada. Recuperado de: http://www.tesisenred.net/handle/10803/5481
Bonillo, A. (2012). Pruebas de acceso a la formación sanitaria especializada para
médicos y otros profesionales
sanitarios en España: examinando el examen y los examinados. Gaceta Sanitaria, 26(3), 231-235.
Butcher, J. N. (1994). Psychological assessment by computer: potential gains and problems
to be avoid. Psychiatric Annals, 24, 20-24.
Cobos, A. (1995). El síndrome GIGO. JANO, 49, 481-482.
Departament d’Ensenyament de la Generalitat de Catalunya (2013). Les altes capacitats: detecció i actuació en l’àmbit educatiu. Guia per als equips
d’assessorament i orientació psicopedagògica (EAP) i els orientadors dels instituts. Recuperado de: http://educacio.gencat.cat/documents/ServeisEducatius/EAP_Altes_capacitats_EAP.pdf
DISA (Defense Information System Agency) (2001). DOD guidelines on data quality management. Recuperado de: http://mitiq.mit.edu/ICIQ/Documents/IQ%20Conference%201996/Papers/DODGuidelinesonDataQualityManagement.pdf
Diversos autors (2010). Papeles del Psicólogo. Número monográfico dedicado a análisis
estadístico. Vol. 31(1).
Fink, A. (2002). How to ask survey questions. Thousand Oaks: SAGE.
Fink, A. (2002). How to design survey. Thousand Oaks: SAGE.
Fink, A. (2002). How to analize survey data. Thousand Oaks: SAGE.
Fink, A. (2002). How to report on surveys. Thousand Oaks: SAGE.
Gassman, J. J., Owen, W. W., Kuntz, T. E., Martin, J. P., i Amoroso, W. P. (1995).
Data quality assurance, monitoring and reporting. Controlled Clinical Trials, 16 (Suppl. 2), 104-136.
Martínez, M. i Guirado, A. (2010). Alumnado con altas capacidades. Barcelona: Graó.
Rondel, R. K., Varley, S. A., i Weeb, C. F. (Eds.) (1999). Clinical data management (2a. ed.). Chichester: John Wiley & Sons.
Tejada, J. (1997). El proceso de investigación científica. Barcelona: Fundació La Caixa.