Coasting Through Class: Learning Opportunity Loss from Practice Avoidance During Individual Seatwork

Aquí se presenta un resumen técnico detallado del artículo "Coasting Through Class: Learning Opportunity Loss from Practice Avoidance During Individual Seatwork" (Navegando la clase sin esfuerzo: Pérdida de oportunidades de aprendizaje por evitación de la práctica durante el trabajo individual en el aula).

1. Planteamiento del Problema

Si bien las plataformas de aprendizaje digital (DLP, por sus siglas en inglés) están diseñadas para optimizar el aprendizaje mediante un apoyo adaptativo, su eficacia depende de que los estudiantes utilicen activamente el tiempo de práctica asignado. La investigación existente se centra intensamente en el compromiso improductivo (por ejemplo, "jugar con el sistema", "deambular mentalmente" o "dar vueltas en falso"), donde los estudiantes están presentes pero no aprenden de manera efectiva. Sin embargo, la desconexión absoluta—donde los estudiantes evitan la tarea por completo—está poco estudiada porque a menudo deja poca o ninguna huella en los registros.

Los autores identifican una brecha en la cuantificación de la evitación de la práctica durante sesiones de trabajo estructurado en clase (trabajo individual en el aula). Específicamente, buscan medir la pérdida de oportunidades de aprendizaje causada por:

• Inicios Retardados: Estudiantes que esperan para comenzar el trabajo después de que inicia la sesión.
• Tiempo Muerto a Mediano de la Práctica: Periodos de inactividad mientras la sesión está en curso.
• Paradas Anticipadas: Estudiantes que cesan el trabajo antes de que termine la sesión, incluso si hay más tiempo de práctica disponible.

El artículo postula que este "tiempo perdido" representa una barrera significativa para el aprendizaje que las métricas actuales no logran captar de manera integral.

2. Metodología

Conjunto de Datos

• Fuente: Registros públicos disponibles de ASSISTments, una DLP de matemáticas que proporciona retroalimentación inmediata y ayuda bajo demanda.
• Alcance: Dos años escolares (2022–2023, 2023–2024).
• Participantes: $N = 1,425$ estudiantes en 71 clases, 34 docentes y 22 escuelas en 17 estados de EE. UU.
• Tipos de Datos: Registros de transacciones (~3 millones), puntuaciones de la prueba previa (otoño) y posterior (primavera) de la Medida de Progreso Académico (MAP), y datos demográficos (género, raza/etnia, nivel socioeconómico, Plan de Educación Individualizado [IEP], estudiante de inglés [ELL], urbanidad).

Definiciones Operacionales y Medidas

Los autores definen el "Tiempo Navegado" (Coasted Time) como la suma de tres medidas conductuales a nivel de sesión:
$$\text{Tiempo Navegado} = \text{Inicio Retardado} + \text{Tiempo Muerto} + \text{Parada Anticipada}$$

• Identificación de Sesiones: Se utilizó un algoritmo de inferencia temporal (Gurung et al., 2026) para clasificar los registros en Trabajo en Clase, Trabajo Independiente en la Escuela y Tarea para Casa. El trabajo en clase se definió como sesiones durante horas escolares (7 a.m. – 3 p.m.) con más de 5 estudiantes activos simultáneamente.
• Inicio Retardado: Tiempo transcurrido entre el inicio de la sesión (inferido a partir de la actividad de los compañeros) y la primera acción del estudiante.
• Tiempo Muerto: Periodos de inactividad que superan el percentil 99 de los tiempos de respuesta (redondeado a 2 minutos).
• Parada Anticipada: Tiempo restante en la sesión después de que el estudiante deja de trabajar.
  • Ajuste: Para distinguir la evitación de la eficiencia, se calculó una métrica "ajustada" donde el tiempo de parada anticipada se estableció en 0 si el estudiante completó al menos una tarea.
• Esfuerzo Extra: Definido como la práctica continuada después de la finalización de la primera tarea requerida dentro de una sesión de trabajo en clase.

Enfoque Analítico

1. Estabilidad Temporal: Se utilizó la Teoría de la Generalización (G-Theory) para calcular los coeficientes G y los coeficientes $\phi$, evaluando la fiabilidad de los comportamientos de navegación a lo largo del tiempo.
2. Análisis Demográfico: Se empleó una regresión lineal multinivel (estudiantes anidados dentro de clases) para examinar la variación en la navegación basada en género, raza/etnia, nivel socioeconómico, IEP, ELL y ubicación de la escuela, controlando el rendimiento previo.
3. Validez Predictiva: Se utilizó regresión multinivel para probar si el Esfuerzo Extra predice las puntuaciones de MAP de primavera, controlando el rendimiento previo, el tiempo total en la tarea y la variación a nivel de clase. El ajuste del modelo se evaluó utilizando el Criterio de Información Bayesiano (BIC) y $R^2$.

3. Contribuciones Clave

1. Marco Conceptual: Introduce el "Comportamiento de Navegación" como un marco unificado para la desconexión absoluta, distinguiéndolo del compromiso improductivo. Combina medidas a nivel de sesión (inicio retardado, parada anticipada) con medidas dentro de la tarea (tiempo muerto).
2. Extensión Metodológica: Extiende los algoritmos de inferencia a nivel de sesión previamente validados en Cognitive Tutor e iReady a la plataforma ASSISTments, demostrando la generalización entre sistemas.
3. Cuantificación de la Pérdida de Oportunidades: Proporciona evidencia empírica de que la mayoría del tiempo de trabajo en clase asignado se pierde por comportamientos de evitación, desafiando la suposición de que el tiempo asignado equivale al tiempo utilizado.
4. Diferenciación del Esfuerzo: Distingue entre "Tiempo en la Tarea" (trabajando hacia la finalización) y "Esfuerzo Extra" (trabajando más allá de la finalización), mostrando que este último es un predictor más fuerte de los resultados de aprendizaje.

4. Resultados Clave

Extensión y Composición de la Navegación

• Tasa de Utilización: Los estudiantes dedicaron solo el 40.15% del tiempo de trabajo en clase disponible a la práctica activa de matemáticas.
• Tiempo Perdido: El 59.85% del tiempo fue "navegado".
  • Parada Anticipada: 62.25% del tiempo navegado (el componente más grande).
  • Inicio Retardado: 35.79% del tiempo navegado.
  • Tiempo Muerto: 1.96% del tiempo navegado (mínimo).
• Hallazgos Ajustados: Incluso al excluir las paradas anticipadas atribuibles a la finalización de tareas (estableciendo parada anticipada = 0 para aquellos que terminaron), el 32% del tiempo disponible permaneció sin utilizar.

Fiabilidad (Estabilidad Temporal)

• Inicio Retardado: Fiabilidad moderada ($G = 0.73$).
• Parada Anticipada: Fiabilidad moderada ($G = 0.71$).
• Tiempo Muerto: Baja fiabilidad ($G = 0.53$), lo que sugiere que el tiempo muerto es altamente dependiente del contexto (por ejemplo, dificultad del problema) en lugar de ser un rasgo estable.
• Implicación: Los inicios retardados y las paradas anticipadas son patrones conductuales consistentes a través de las sesiones.

Variación Demográfica

• Género: Los datos no ajustados mostraron que los hombres navegaban más que las mujeres (aprox. 32 segundos/sesión). Sin embargo, esta diferencia desapareció después de ajustar por la finalización de tareas, lo que sugiere que los hombres simplemente terminaban las tareas más rápido en lugar de evitar el trabajo.
• Estado IEP: Los estudiantes con IEP navegaron menos que sus compañeros sin IEP en modelos no ajustados, pero esta diferencia también desapareció después del ajuste.
• Otros Factores: No se encontraron diferencias significativas basadas en raza/etnia, nivel socioeconómico, estado ELL o ubicación de la escuela (urbana vs. rural). La navegación parece ser un fenómeno universal a través de las demografías.

Impacto en el Aprendizaje (Esfuerzo Extra)

• Tiempo en la Tarea: La proporción de tiempo dedicado a trabajar hacia la finalización inicial no fue un predictor significativo de las puntuaciones de MAP de primavera ($p = .919$).
• Esfuerzo Extra: La práctica continuada más allá de la primera tarea fue un predictor positivo significativo de las puntuaciones de MAP de primavera ($\beta = 1.44, p < .001$).
  • Un aumento del 10% en la proporción de esfuerzo extra se correlacionó con un aumento de 0.14 DE en las puntuaciones de las pruebas.
  • Añadir "Esfuerzo Extra" al modelo resultó en una mejora muy fuerte en el ajuste del modelo ($\Delta BIC = 11$).

5. Significado e Implicaciones

Significado Teórico

• Desconexión Multinivel: El estudio demuestra que la desconexión opera en dos niveles: el nivel de sesión (evitar el inicio o detenerse temprano) y el nivel de tarea (tiempo muerto).
• Pérdida de Oportunidades: Replantea el "tiempo en la tarea" no solo como una métrica de duración, sino como una medida de utilización de oportunidades. La desconexión entre el tiempo asignado y el tiempo de práctica real es una variable crítica, previamente submedida, en la ciencia del aprendizaje.
• Autorregulación: El poder predictivo del "Esfuerzo Extra" sugiere que la continuación voluntaria de la práctica refleja rasgos autorreguladores más profundos (por ejemplo, orientación al dominio, motivación intrínseca) que son más críticos para el aprendizaje que el mero tiempo de exposición.

Implicaciones Prácticas

• Para Educadores: Los docentes deben establecer expectativas explícitas de compromiso sostenido durante todo el período de clase, no solo hasta que se complete la primera tarea. Las intervenciones deben centrarse en "qué hacer a continuación" para los que terminan temprano.
• Para Diseñadores de Plataformas: Las DLP necesitan facilidades que apoyen el compromiso sostenido, como:
  • Indicadores de progreso.
  • Recordatorios por inactividad.
  • Vías claras para actividades de extensión para evitar la parada anticipada debido a la falta de dirección.
• Para Políticas: Las evaluaciones de la eficacia de las DLP deben tener en cuenta la "navegación". Una plataforma puede ser pedagógicamente sólida, pero si el 60% del tiempo asignado se pierde por evitación, el retorno de la inversión se ve severamente disminuido.

Limitaciones

• Naturaleza Correlacional: La causalidad entre la navegación y el logro no puede establecerse definitivamente sin diseños experimentales.
• Límites Inferidos: Los tiempos de inicio/fin de sesión se infieren a partir de datos de registros, lo que puede introducir ruido si los estudiantes se desvían significativamente de las normas de clase.
• Generalización: La muestra se limita a matemáticas de secundaria; los patrones pueden diferir en otras materias o niveles de grado.

Conclusión

El artículo concluye que la "navegación" es un patrón conductual ubicuo y consistente que resulta en una pérdida sustancial de oportunidades de aprendizaje (aproximadamente el 60% del tiempo de clase). Si bien los factores demográficos no impulsan significativamente este comportamiento, la distinción entre el cumplimiento mínimo (terminar la primera tarea) y el esfuerzo extra es crucial. Los estudiantes que extienden voluntariamente su tiempo de práctica logran resultados significativamente mejores, lo que resalta la necesidad de que los sistemas educativos fomenten y apoyen el compromiso sostenido más allá de los requisitos mínimos.