hallazgos

repositorio reproducible

(Garbanzo Vargas, 2013)

Gobernanza de datos

Acceso y uso de datos secundarios: Dar recomendaciones de bases de datos secundarios disponibles acordes a los objetivos del estudio.

FAIR

Gobernanza de Datos

Investigación

Esta desconfianza se expresa en recortes presupuestarios, cierre o reducciones de programas académicos, así como un creciente escepticismo general respecto de los hallazgos, métodos y motivaciones de la comunidad científica

Formación

Apoyo, Impacto y Transferencia

La brecha entre ambas facultades

legitimidad

socialmente significativo

donde se identifican inconsistencias en el énfasis conceptual y en las herramientas utilizadas

Introducción

generación de evidencia y de metodologías, formación de capacidades humanas especializadas, desarrollo de estándares éticos y técnicos, incubación de soluciones innovadoras, y mecanismos de aseguramiento de la calidad que garanticen la confiabilidad y la trazabilidad.

investigación, formación (en pregrado, postgrado y educación continua), gobernanza y gestión responsable de datos, innovación y transferencia, y certificación de la calidad de los datos sociales

producen

La necesidad de contar con una infraestructura robusta de datos sociales se vuelve aún más urgente en el contexto actual, dadas las transformaciones tecnológicas, sociales y políticas que enfrentan las sociedades contemporáneas. El conocimiento científico se ve amenazado por la crisis de confianza pública, la proliferación de desinformación y la creciente complejidad de los fenómenos sociales. Además los populismos y las crisis democráticas en la región subrayan la importancia de contar con datos sociales rigurosos y transparentes que permitan fundamentar decisiones públicas y fortalecer la participación ciudadana. En este escenario, las universidades tienen un rol crucial como productores y guardianes del conocimiento social, siendo responsables de garantizar que los datos generados sean de alta calidad, éticamente gestionados y accesibles para la sociedad.

formación, apoyo

Decisiones para el análisis

Introducción

y guardianes

Esto reduce su potencial para generar evidencia robusta que fortalezca la investigación, la formulación de políticas públicas y la innovación social

se producen y circulan de manera altamente fragmentada, con escasos estándares comunes y mecanismos débiles de coordinación

Tal contexto introduce desafíos significativos para las ciencias sociales: problemas de representatividad y sesgo en fuentes no previstas para investigación, riesgos sobre privacidad y protección de datos, dificultades de interpretabilidad de modelos complejos, y la necesidad de adaptar marcos teóricos y metodológicos para integrar resultados algorítmicos con explicaciones sociales robustas.

masiva de grandes volúmenes de “big data”

Límites de información

La información que se encuentra disponible responde, en primer lugar, a variables de caracterización sociodemográfica. En este marco, hay información sobre el sexo, colegios de precedencia, comuna de residencia, región de origen, nacionalidad, tipo de ingreso, nivel socioeconómico. Además, se encuentra disponible información de caracterización académica, tal como el tipo de ingreso, la cohorte de ingreso, percentil en PSU-PAES, situación académica y, la más importante, el promedio bruto y el promedio calculado. Por último, el gran grueso de variables que contienen las bases son los cursos, tanto obligatorios como electivos, de las cinco carreras que contempla el análisis 2.

Metodología

Considerando esto, se generó una base madre (base_madre.rds), realizando un merge con la base de nota única y la base que contiene las notas por curso. La base madre terminó con un N = 1983 con 1772 variables 1. Esta base contiene información de los cursos impartidos desde 2021 hasta 2024. En esta base se creó la variable “promedio_calculado” que es el promedio de todas las notas de los cursos que registra un caso. A partir de esta base, se generaron dataframes por cada carrera (df_nombre carrera.rds) con tal de disminuir el peso de la información y que fuera más eficiente analizarla.

La base que contiene las notas por curso de estudiantes venía en formato long, por lo que después transformarla a formato wide quedó con un N = 3638 con 1754 variables. Esta base solamente tiene la variable RUT, mientras que todas las demás son los cursos que imparten las cinco carreras.

La base que contiene el promedio de notas en bruto lleva por nombre nota_unica.rds (N = 2578) y tiene un total de 17 variables. Esta base contiene información desde el 2020 hasta el 2025. A partir de esta base se genera un subset por carrera, las cuales se llaman nota_unica_nombre carrera.rds.

estandarización del puntaje de PSU/PAES

Antecedentes y propuesta

esta lógica

desvela

El rendimiento de los estudiantes, el cual se ve materializado en las calificaciones, es un elemento fundamental en la educación superior. Las notas operan como una credencial de competencias en este espacio, certificando el nivel de habilidades con el que cuenta una persona, cuyo nivel de logro debe demostrar el manejo de los conocimientos que se exigen en una carrera profesional.

Figure 4: PISA gender gaps by country

Kazakhstan, despite being an education system often characterized by developing digital infrastructure relative to the OECD average, reports the highest aggregate specialized self-efficacy. In sharp contrast, countries with advanced digital ecosystems and traditionally strong performance on Computer and Information Literacy (CIL) assessments, such as Germany and Austria, rank at the very bottom of the distribution.

Following this respecification, the PISA model demonstrated a satisfactory fit to the data (χ2=37,625.623; df=53; p<.001; CFI=.994; TLI=.992; RMSEA=.068). Factor loadings were high and statistically significant, ranging from .78 to .93, thus explaining between 60% and 86% of the item variance (R2). Additionally, both factors demonstrated strong reliability and convergent validity, exceeding all established thresholds (General DSE: ω=.95, AVE=.71; Specialized DSE: ω=.89, AVE=.80). The inter-factor correlation was moderate at .49, further supporting the distinctness of the dimensions.

Respecification

were

First,

will be

Consequently, standard errors were estimated without explicit correction for the nested design; this approach was selected to prioritize the unbiased estimation of the population structure and item parameters, which required the simultaneous use of sampling weights and the WLSMV estimator.

However, due to software limitations, it was not possible to correct standard errors for the complex survey design (via the Jackknife method for ICILS, Fay’s method for PISA, or cluster-robust estimation). At present, the lavaan package does not support: 1) the use of robust estimators for categorical variables in conjunction with clustering; 2) the simultaneous use of sampling weights combined with clustering; and 3) the implementation of replicate variance estimation methods.

linear progression

In the literature, there is broad agreement on the minimal definitions of self-efficacy proposed initially by Bandura (1982); however, different approaches emerge that emphasize specific elements of the construct. On the one hand, some studies focus on task self-efficacy, understood as the perceived capabilities required to achieve a certain level of performance when mastering an activity. On the other hand, there are works oriented toward regulatory self-efficacy, which is more concerned with how confidence supports resilience in the face of potential barriers around the social context of individuals. While capability-focused studies emphasize the magnitude of the task—that is, its degree of difficulty or complexity—and the linear progression toward mastery, more attitudinal approaches highlight persistence and resistance when confronting the adversities present in the environment where the activity takes place (Marlatt et al., 1995; Schwarzer & Renner, 2000; Williams & Rhodes, 2016).

The results show that a two-dimensional approach to DSE is relatively stable across the countries shared by both studies, and that the distinction between general and specialized tasks reveals patterns in gender differences that are consistent across most countries and cannot be visualized using one-dimensional constructs.

Although ICILS and PISA differ in the intentions of measuring digital self-efficacy, if one examines the meaning of the items in depth, they are similar, raising suspicions about their different measurement strategies. In a world of high technological complexity, it is difficult to work with uniform constructs that do not recognize different dimensions of self-efficacy, so these differences are more than technical: they affect how countries governments interpret digital readiness and how gender disparities are identified. As constructs of different studies tend to not be comparable, a lot of information that is relevant for understanding the social determinants of technologies is loosed.

Achieving scalar invariance is a prerequisite for further analysis.

Furthermore, a more demanding criterion of ΔCFI ≥ -0.002 was also considered, as suggested for models with three or fewer dimensions (Rutkowski & Svetina, 2017)

Then

framework

The main analyses were performed within a Confirmatory Factor Analysis (CFA) framework to test the hypothesized two-factor structure of DSE (Brown, 2015). All data management and analyses were conducted using the R statistical environment. The CFA models were estimated with the lavaan package (Rosseel, 2012). Given the ordinal nature of the Likert-scale items, they were treated as ordered categorical variables in the CFA models. This specification handles missing data through pairwise deletion by default.

pooled

In instances

The mastery of digital technologies today requires more than physical access to devices or procedural knowledge of software; it increasingly involves attitudinal dispositions such as confidence, persistence, and the capacity to adapt in complex environments

more than

EFA suggests the presence of a dominant general factor, but a two-factor solution is also plausible.

For ICILS 2023, exploratory factor analysis (EFA) supports a two-factor structure distinguishing between general and specialized digital self-efficacy (DSE).

Statistical analyses will address missing data using Full Information Maximum Likelihood (FIML) during confirmatory analyses

Partial match (same intent)

(i) To assess the bi-dimensional approach to DSE (as in ICILS) to PISA data (which assumes unidimensionality)

For instance, unidimensional models could underestimate the predictive power of DSE for complex digital problem-solving, while multidimensional models offer greater explanatory precision but can introduce challenges such as construct overlap or reduced generalizability across contexts, limiting findings across educational systems and cultural contexts (Scherer and Siddiq 2019; scherer_measuring_2021?).

Second divide variables

Social Cognitive Theory on Psychological Debates

Assesing Digital Self-efficacy

Constructing Self-efficacy measurements

As motivation and affect elements contain the Self-reactiveness dimension of agency self-regulation, Self-reflectiveness is principally explained by the individual’s self-efficacy level. As a part of the intention of human agency, this concept supposes forethought in its structure. In that sense, Self-efficacy is not a self-perception of the ability to execute an action but an orchestration or continued improvisation of multiple skills to manage the ever-changing situation around mastering an activity. Perceived self-efficacy is concerned by judgments of how well one can execute courses of action required to deal with prospective situations

Según nuestros análisis, existe evidencia parcial para sostener que las percepciones meritocraticas de los padres logran traspasarse a sus hijos. Esta asociación aparece cuando la percepción meritocrática se refiere a la importacia del esfuerzo para salir adelante, pero no cuando se pregunta si quienes se esfuerzan efectivamente salen adelante. En relación al rol de la escuela vemos una situación inversa: las experiencia de justicia en las notas no se asocia a la importancia del esfuerzo, sino al segundo indicador sobre si los esfuerzos son recompensados. Esta asociación hace bastante sentido cuando se piensa que la escuela es un espacio concreto donde se manifiesta la recompensa a través de las notas, y nuestros resultados muestran que quienes se sienten injustamente recompensados en la escuela efectivamente perciben menos meritocracia.

Esta interacción, a diferencia de los modelos de la tabla anterior, es positiva tanto para quienes manifiestan que sus notas son menos que las que merecen como así también para aquellos que señalan que son más que las que merecen. En otras palabras, para aquellos que se sienten injustamente recompensados, sea de manera positiva (por sobrerecompensa) o negativa (por subrecompensa). Como se puede ver en la Figura 6, esto se produce dado que quienes se sienten justamente recompensados (categoría de referencia en los modelos) y cuyos padres no están de acuerdo con que aquellos que se esfuerzan salen adelante, manifiestan una mayor percepción de meritocracia. Este hallazgo, a diferencia de la interacción para la otra variable de percepción meritocrática, puede interpretarse como que la escuela refuerza la percepción de meritocracia para quienes se sienten recompensados justamente por las notas, contrarrestando las percepciones negativas de meritocracia de los padres.

Esto se puede interpretar como que la asociación positiva que existe entre la percepción meritocratica de padres e hijos se ve disminuída para quienes manifiestan una sensación de injusticia en las notas, en línea con lo hipotetizado y como se puede observar en la Figura 5. Por lo tanto, la escuela parece jugar un rol relevante como agente socializador, pudiendo incluso contrarrestar aspectos relacionados con la socialización familiar en lo que respecta a la percepción meritocrática.

En otras palabras, aquellos que se sienten injustamente recompensados por sus notas disminuyen su percepción de meritocracia.

Figure 5:

Figure 5:

la escuela

observa un efecto significativo negativo en relación aquellos estudiantes que evalúan que sus notas son menores a las que merecen.

El estudio de la desigualdad social ha tenido un lugar central en la sociología, donde podemos distinguir dos perspectivas. Por un lado, está el desarrollo de la investigación en el ámbito de la estratificación social, donde se ha puesto atención en las características de la estructura social y en los mecanismos de reproducción de la desigualdad (Chan & Goldthorpe, 2007; Kerbo, 1998; López-Roldán & Fachelli, 2021). Por otro lado, y de manera posterior a los estudios clásicos de estratificación, se ha desarrollado un ámbito de investigación que propone estudiar las actitudes distributivas de los individuos en relación a su posición en la estructura social, principalmente a través de sus percepciones y preferencias en torno a la desigualdad económica (Janmaat, 2013; Jensen & Petersen, 2017; Kluegel et al., 2018; Kluegel & Smith, 2017). Este ámbito de investigación, denominado en ocasiones como desigualdad subjetiva, plantea que las actitudes de los individuos hacia la desigualdad no solo se ven afectadas por su posición objetiva y su interés racional, sino que también son influenciadas por otros elementos culturales, normativos y experienciales (McLeod et al., 2014). Frente a la amplitud de conceptos utilizados en los estudios sobre desigualdad subjetiva, autores como Jasso (1980) o Janmaat (2013) han realizado precisiones conceptuales con el objetivo de clarificar la comprensión del campo de estudio. Según Janmaat (2013) los tres principales conceptos sobre desigualdad subjetiva son percepciones de desigualdad (estimaciones subjetivas sobre la desigualdad existente), creencias sobre la desigualdad (ideas normativas de justicia respecto a cómo debería ser la desigualdad), y por último, juicios sobre la desigualdad (evaluaciones sobre que tan buena o mala es la situación actual). Dentro de este marco, el presente estudio se enfoca en las percepciones de desigualdad, específicamente en la estimación de la magnitud en que los esfuerzos y talentos son recompensados, lo que denominamos percepción de meritocracia (Castillo et al., 2019).

En el Modelo 4 el predictor de percepción de meritocracia de los padres (importancia del trabajo duro) si muestra un efecto significativo en la percepción de los estudiantes, consistente con las hipótesis planteadas.

Pearson’s

Castillo et al. (2019)

Castillo et al. (2019),

personales

Publicaciones y presentaciones recientes

La meritocracia es un ideal que aspira a que los recursos se distribuyan según el esfuerzo y talento personal (Young 2006). Este ideal fomenta la frustración de los jóvenes y corroe en ellos los principios de la democracia, especialmente en contextos desiguales. La desigualdad social está creciendo a nivel mundial, lo que amenaza con agravar los problemas que de ella derivan (Solt 2020). Por ello, los jóvenes seguirán viéndose enfrentados a diversos problemas tales como la desigualdad de oportunidades (Woodman, Shildrick, and MacDonald 2020; Pitkänen et al. 2021), mayores presiones por conseguir estatus, menor autoestima, sintomatología ansiosa e incluso depresión adolescente (Nadler et al. 2020; Du et al. 2021; Kim 2020). También serán expuestos a vivir más experiencias de discriminación (Conde 2014). Este tipo de vivencias negativas en contextos desiguales pueden ser agravadas por el ideal meritocrático (Major et al. 2007). Pese a su carácter moderno y aparentemente equitativo, el ideal meritocrático no está exento de problemas. Por un lado, esta creencia fomenta un discurso de posibilidades infinitas, que se contradice con las limitaciones socioeconómicas reales que enfrentan los sujetos (Allen 2016; Guzmán, Barozet, and Méndez 2016).

Este ideal fomenta la frustración de los jóvenes y corroe en ellos los principios de la democracia, especialmente en contextos desiguales.

Finalmente, probamos dos hipótesis de mediación de las cuáles no se hallaron resultados significativos.

probamos

Otra característica del estatus-socioeconómico relevante en el estudio de las percepciones y preferencias meritocráticas ha sido la tenencia de credenciales educativas que dan paso a ocupaciones de mayor calificación en el mercado laboral (Goldthorpe 2003).

Estos antecedentes muestran una panorámica de lo estrechamente relacionadas que están las juventudes con los valores meritocráticos.

lo cual sugiere que refieren al mismo constructo

lo cual brinda evidencia para descartar una relación directa