Estrategias de Estudio en materias STEM de grados no STEM (ODS 4. Educación de calidad)

Abstract

Las asignaturas de estadística están adquiriendo una importancia creciente en un mundo marcado por el Big Data y la inteligencia artificial, incluso para aquellos profesionales de formación no técnica. Es por ello que la enseñanza de las distintas asignaturas de estadística en la universidad ha adquirido una relevancia en estos grados de la que probablemente carecía anteriormente. Por este motivo, se ha llevado a cabo un estudio con el propósito de analizar qué perfiles de alumnos existen en relación con el estudio de la estadística en grados no-STEM, y cuáles son los principales factores que influyen en su rendimiento. Con tal propósito, se ha seleccionado una muestra de 151 alumnos de grados en Analytics de ICADE, a quienes se ha hecho una encuesta. A los resultados de la misma se les ha aplicado un algoritmo de clustering jerárquico para identificar los distintos perfiles existentes, así como una red neuronal, que posteriormente ha sido objeto de un análisis post-hoc para estudiar los principales drivers del rendimiento de los alumnos. De este estudio se ha concluido que existen tres perfiles de alumnos a la hora de enfocar estas asignaturas. En cuanto a las variables que impulsan el rendimiento en las asignaturas de estadística, no se ha logrado determinar con carácter estadísticamente significativo cuál es el impacto de elementos como el género, el bachillerato cursado, la carrera universitaria, el tiempo de estudio o el soporte de estudio utilizado, habiéndose demostrado únicamente que una menor dificultad percibida se asocia a un mayor rendimiento relativo declarado.

Statistics courses are gaining increasing importance in a world shaped by Big Data and artificial intelligence, even for professionals with non-technical backgrounds. For this reason, the teaching of various statistics courses at the university level has become more relevant in these degree programs than it likely was in the past. In this context, a study was conducted to analyse the different student profiles related to the study of statistics in non-STEM degrees and to identify the main factors influencing their performance. To this end, a sample of 151 students from Analytics programs at ICADE was selected, and a survey was administered. The survey results were analysed using a hierarchical clustering algorithm to identify the different existing profiles, as well as a neural network, which was subsequently subjected to a post-hoc analysis to study the main drivers of student performance. From this study, it has been concluded that there are three student profiles when it comes to approaching these subjects. Regarding the variables that influence performance in statistics courses, it was not possible to determine the statistically significant impact of factors such as gender, the type of high school education completed, the major studied in university, study time or the use of electronic devices in comparison to pen-and-paper. The only factor shown to have a significant association was that lower perceived difficulty is linked to higher self-reported relative performance.