Software Estadística Dinámica5 Al Resolver Tareas Estadísticas Con

Machine Translated by Google
25
USO DE LA TRANSNUMERACIÓN POR PARTE DE LOS DOCENTES

AL RESOLVER TAREAS ESTADÍSTICAS CON
SOFTWARE ESTADÍSTICA DINÁMICA5
HOLLYLYNNE S. LEE
Universidad Estatal de
Carolina del Norte hollylynne@ncsu.edu
GLADIS KERSAINT
Universidad del Sur de Florida
kersaint@usf.edu
SUZANNE R. HARPER
Universidad de Miami
harpersr@miamioh.edu
SHANNON O. DRISKELL
Universidad de Dayton
sdriskell1@udayton.edu
DUSTY L. JONES
Universidad Estatal Sam
Houstondustinjones@shsu.edu
KEITH R. LEATHAM
Universidad Brigham Young
kleatham@mathed.byu.edu
ROBIN L. ANGOTTI
Universidad de Washington Bothell
rangotti@uwb.edu
KWAKU ADUGYAMFI Universidad

de Carolina del Este
adugwamfik@ecu.edu
ABSTRACTO
Este estudio examinó una muestra estratificada aleatoria (n=62) del trabajo de docentes de ocho instituciones en tres tareas que
utilizaban software estadístico dinámico. Consideramos cómo los profesores pueden utilizar y desarrollar su conocimiento
estadístico y su conocimiento estadístico tecnológico al investigar una tarea estadística. Examinamos cómo los profesores
participaron en actividades transnumerativas con la ayuda de la tecnología mediante la representación de datos, el uso de
capacidades de vinculación dinámica y la creación de medidas estadísticas y aumentos de gráficos. Los resultados indican que,
si bien los vínculos dinámicos no siempre fueron evidentes en su trabajo, muchos profesores aprovecharon las herramientas de
software para crear representaciones mejoradas a través de muchas acciones transnumerativas. La creación y el uso de tales
representaciones mejoradas de datos tienen implicaciones para la formación de docentes, el diseño de software y el enfoque de
estudios futuros.
Palabras clave: Investigación en educación estadística; Tecnología; Investigación estadística; Formación docente;
Graficos
Statistics Education Research Journal, 13(1), 2552, http://iaseweb.org/Publications.php?p=SERJ

Asociación Internacional para la Educación Estadística (IASE/ISI), mayo de 2014
26
1. INTRODUCCIÓN
En la última década, se ha vuelto más común en las escuelas centrarse en las estadísticas, las representaciones y el
uso de software estadístico dinámico. Las sugerencias de los investigadores y algunos esfuerzos de preparación docente
también incluyen un mayor enfoque en el aprendizaje y la enseñanza de la estadística y en la preparación de los docentes
para utilizar herramientas como el software estadístico dinámico (p. ej., Lee y Hollebrands, 2008, 2011; Pfannkuch y Ben
Zvi, 2011; Pratt , Davies y Connor, 2011). El uso eficaz de estas herramientas dinámicas por parte de los profesores está
influenciado por su propia comprensión de las representaciones de datos y de cómo utilizar las herramientas para explorar
ideas estadísticas. En este artículo, examinamos cómo los futuros profesores utilizan representaciones de datos al resolver
tareas estadísticas utilizando herramientas de software estadístico dinámico de Fathom (Finzer, 2002) o TinkerPlots (Konold
& Miller, 2005).
Aquí el término representación se utiliza para referirse a objetos externos (p. ej., tablas, gráficos, símbolos, etc.) cuya
relación con la idea estadística o matemática que significan se establece a través de convenciones compartidas (Cobb,
Yackel & Wood, 1992). La función clave de estos objetos no es sólo designar o representar relaciones o ideas estadísticas,
sino también trabajar con estas ideas (Duval, 2006). Por ejemplo, se puede utilizar un gráfico para representar la relación
entre dos o más atributos en un conjunto de datos.
Dado que un gráfico demuestra su propio conjunto de características y tiene sus propias convenciones y reglas estructurales
únicas para trabajar en él, se pueden usar operaciones particulares para transformar su estructura sin afectar la relación
estadística o la idea que designa. Por ejemplo, una representación gráfica de un conjunto de datos determinado se puede
modificar superponiendo un símbolo que represente una medida de centro o una línea de ajuste sin cambiar las relaciones
estadísticas originales representadas; sin embargo, la representación ahora significa relaciones estadísticas adicionales
entre datos y medidas que pueden explorarse más a fondo.
Dado que se puede transmitir información específica en una representación específica, se pueden utilizar dos o más
representaciones (representaciones múltiples) para enfatizar y restar énfasis a diferentes aspectos de una idea estadística,
y también para presentar una visión complementaria u holística de una idea. Por ejemplo, al examinar dos atributos en un
conjunto de datos, se pueden construir y ver tres representaciones gráficas simultáneamente para representar la distribución
de cada atributo individual como un diagrama de puntos, y una tercera representación gráfica que combine los dos atributos
para representar cualquier relación entre ellos. como en un diagrama de dispersión. Además, si se crean múltiples
representaciones gráficas dentro del software estadístico dinámico, es necesario comprender mejor cómo los usuarios
aprovechan otras características del software para establecer conexiones entre representaciones y representar y analizar
datos de otras maneras.
2. CONSTRUIR Y CONSTRUIR A PARTIR DE LA LITERATURA
2.1. REPRESENTACIÓN DE DATOS EN SOFTWARE ESTADÍSTICO DINÁMICO
Finzer (2000) describe dos aspectos que hacen que un entorno de software estadístico sea dinámico: “la manipulación
directa de objetos matemáticos y la actualización sincrónica de todos los objetos dependientes durante las operaciones de
arrastre” (p. 1). En un entorno estadístico, los objetos manipulables incluyen valores de datos, líneas que representan
valores o ecuaciones, ejes y parámetros. Varios otros objetos pueden depender de estos, como una medida estadística
calculada a partir de valores de datos, una representación de diagrama de dispersión de valores de datos, una tabla de
valores de datos, una ecuación de una línea o un gráfico residual que muestra las diferencias entre los valores reales y
predichos. Todos estos objetos dependientes se actualizarían sincrónicamente ante un cambio (a menudo inducido al hacer
clic o arrastrar) en otro objeto al que están vinculados.
Dentro de TinkerPlots y Fathom, las representaciones están vinculadas a medida que se crean. Para crear una
representación gráfica o una tabla de resumen, hay que arrastrar el nombre de un atributo (variable) desde la tarjeta de
datos o la tabla de datos y soltarlo en un eje en una ventana de trazado o en una fila o columna en una tabla de resumen.
Esta acción de arrastrar el nombre de un atributo desde la tarjeta o tabla de datos a una ventana de trazado o tabla de
resumen es una herramienta de construcción principal que crea la representación y establece el vínculo interno
(dependencia) entre el gráfico o la tabla de resumen y los datos que se almacenan numéricamente. en la tarjeta o tabla de
datos. En ambos programas, hay conexiones integradas entre todas las representaciones creadas.
27
a partir de un conjunto de datos. Por lo tanto, resaltar (seleccionar) un caso en una representación crea una visualización resaltada
de ese caso dentro de todas las demás representaciones. Ambos entornos también brindan capacidades para calcular y mostrar una
variedad de medidas estadísticas, incluida la capacidad de superponer un gráfico con medidas estadísticas como la media, la
mediana o una línea de mínimos cuadrados. Ambos programas también ofrecen otras formas de aumentar una visualización gráfica
agregando información adicional para respaldar el análisis de datos.
Al utilizar herramientas como TinkerPlots o Fathom, profesores y estudiantes pueden aculturarse rápidamente en el proceso de
investigación estadística (Biehler, BenZvi, Bakker & Makar, 2013; McClain & Cobb, 2001; Pfannkuch, 2008; Pfannkuch & BenZvi,
2011). En general, las principales ventajas del software estadístico dinámico incluyen la capacidad de: a) crear y ver simultáneamente
diferentes representaciones, medidas estadísticas y aumentos gráficos; y b) interactuar con estas representaciones vinculadas
dinámicamente. Aprovechar estas posibilidades puede permitir a los usuarios participar en actividades dirigidas a objetivos que
pueden conducir a más investigaciones o conocimientos adicionales en sus interrogatorios de datos.
2.2. ENTENDIENDO EL USO DE HERRAMIENTAS ESTADÍSTICAS DINÁMICAS POR PARTE DE LOS DOCENTES
Muchos han descrito la importancia de que los profesores aprendan a participar en investigaciones estadísticas utilizando
software estadístico dinámico (por ejemplo, Lee y Hollebrands, 2008, 2011; Pratt et al., 2011). Varios investigadores han examinado
e informado el uso de herramientas estadísticas dinámicas por parte de los docentes dentro de una experiencia o curso de desarrollo
profesional en una universidad (por ejemplo, Doerr & Jacob, 2011; Hammerman & Rubin, 2004; Makar & Confrey, 2008; Meletiou
Mavrotheris, Paparistodemou & Stylianou, 2009). Estos estudios sugieren que el uso de herramientas dinámicas brinda oportunidades
para que los profesores mejoren sus enfoques para la resolución de problemas estadísticos, particularmente yendo más allá de las
técnicas tradicionales basadas en computación y utilizando más análisis basados en gráficos.
Makar y Confrey (2008) observaron que algunos futuros profesores parecían utilizar representaciones en Fathom para investigar
un conjunto de datos de manera que les permitieran desarrollar hipótesis y utilizar datos para explorar y hacer afirmaciones, y
explorar sistemáticamente variables en un conjunto de datos que condujese a a un reclamo interesante. Doerr y Jacob (2011)
informaron que las opciones en las capacidades de representación en Fathom permitieron a los profesores ilustrar su comprensión
de las distribuciones muestrales. Además, encontraron mejoras significativas en el razonamiento estadístico general de los profesores
y en la comprensión de las representaciones gráficas.
En estudios que involucraban TinkerPlots y Fathom, los maestros a menudo usaban medidas gráficas y estadísticas juntas, ya
sea agregando una medida a un gráfico o usando un gráfico para ayudar a dar sentido a una medida estadística ya calculada. Este
tipo de análisis realizado por profesores a menudo ofrece oportunidades para considerar una visión agregada de una distribución
que incorpora razonamientos sobre centros y distribuciones (Konold y Higgins, 2003). Por ejemplo, MeletiouMavrotheris et al. (2009)
observaron que los profesores en ejercicio utilizaban representaciones gráficas en TinkerPlots para notar el impacto de un valor
particularmente alto o bajo en una distribución y para examinar el impacto en una medida del centro si se eliminaba un valor atípico
aparente. Aunque centrarse en un punto interesante puede indicar centrarse en datos como puntos individuales, los profesores
también demostraron el uso de gráficos para describir patrones en una distribución y tendencias grupales. Hammerman y Rubin
(2004) también encontraron un enfoque en las propensiones grupales al analizar cómo los profesores tendían a utilizar la agrupación
de datos en TinkerPlots (segmentando un rango de distribución en varias partes para agrupar visualmente los datos dentro de un
rango).
Aunque investigaciones anteriores han discutido cómo los docentes representan y analizan datos donde a menudo se puede
inferir un vínculo entre las representaciones, esta investigación a menudo no se ha centrado explícitamente en cómo, por qué y en
qué medida los docentes crearon y utilizaron representaciones. Una vez establecidos los vínculos, que son internos al entorno
tecnológico, nos interesa saber cómo los profesores pueden usar y aprovechar las representaciones que están vinculadas entre sí.
Además, el software estadístico dinámico como TinkerPlots o Fathom ofrecen varias herramientas que se pueden utilizar para crear
y mostrar medidas estadísticas y aumentar las presentaciones gráficas. Nos preguntamos si los profesores aprovechan las diversas
posibilidades de estas herramientas de software dinámicas para examinar y analizar sus datos.
28
2.3. MARCO CONCEPTUAL
Las formas en que los profesores pueden utilizar software estadístico dinámico para resolver tareas
estadísticas pueden proporcionar información sobre su comprensión de la estadística y cómo utilizan el poder
de la tecnología al hacer estadística. Lee y Hollebrands (2011) propusieron un marco que caracteriza los
aspectos importantes del conocimiento necesario para enseñar estadística con tecnología (ver Figura 1). En
este marco, tres componentes que consisten en conocimiento estadístico (SK), conocimiento estadístico
tecnológico (TSK) y conocimiento estadístico pedagógico tecnológico (TPSK) se conciben como círculos
anidados en los que el círculo más interno representa TPSK, un subconjunto de SK y TSK. Así, Lee y
Hollebrands (2011) proponen que el TPSK de los docentes se basa y se desarrolla con el conocimiento
estadístico tecnológico (TSK) y el conocimiento estadístico (SK) de los docentes. La investigación presentada
en este artículo examina sólo unos pocos componentes del SK y TSK de los docentes.
En SK, estamos interesados en la capacidad de los profesores para participar en investigaciones
estadísticas como componente clave del pensamiento estadístico. Más específicamente, nos centramos en la
transnumeración (Wild & Pfannkuch, 1999) como un proceso de transformar datos en una representación, y tal
vez alterar esa representación o coordinar entre representaciones, con la intención de darle sentido (Pfannkuch
& Wild, 2004). Por lo tanto, los profesores usarían (o desarrollarían) SK cuando plantean preguntas, recopilan
o acceden a datos, los representan de manera significativa con gráficos y medidas estadísticas, y traducen sus
interpretaciones de estas representaciones al contexto para hacer afirmaciones, responder una pregunta o
plantear una nueva pregunta. Muchas veces, la transnumeración ocurre cuando los datos se representan de
alguna manera que resalta un determinado aspecto relacionado con el contexto que puede brindar nuevos
conocimientos sobre los datos. Algunas técnicas específicas utilizadas en la transnumeración son ordenar
datos, formar grupos, crear un gráfico, calcular una medida que podría mostrarse dentro de un gráfico y
seleccionar y examinar un subconjunto de datos (Chick, 2004).
Figura 1. Componentes del Conocimiento Estadístico Pedagógico Tecnológico.

(diagrama adaptado de Lee & Hollebrands, 2011)
Dentro de TSK, nuestro enfoque está en cómo los maestros participan en la transnumeración aprovechando
las capacidades de la tecnología para: 1) automatizar cálculos de medidas y generar presentaciones gráficas,
y 2) usar estos gráficos y medidas para explorar más datos y visualizar ideas abstractas (Chance, BenZvi,
Garfield y Medina, 2007). Por lo tanto, TSK abarca cómo uno usa la tecnología para participar en muchas
actividades transnumerativas para: 1) crear una representación gráfica de datos, 2) examinar y visualizar
medidas (por ejemplo, media), 3) crear y usar aumentos gráficos (por ejemplo, sombrear una región). de datos,
mostrando cuadrados en una línea de mínimos cuadrados), 4) examinar subconjuntos de datos (por ejemplo,
eliminar valores atípicos o filtrar casos con ciertas características) y 5) vincular múltiples representaciones. Datos exploratorios
29
El análisis (EDA) dentro de una investigación estadística puede verse facilitado por todas estas acciones transnumerativas
habilitadas por la tecnología.
En el contexto de nuestro estudio, sólo estamos examinando el trabajo de los profesores utilizando software estadístico
dinámico. Por lo tanto, sugerimos que la participación de un docente en actividades transnumerativas con software estadístico
dinámico está simultáneamente aprovechando y construyendo la SK y TSK de ese docente.
Las acciones transnumerativas por sí solas no pueden contribuir a una investigación estadística sólida. También es necesario
que haya evidencia de que las acciones son apropiadas y conducen a afirmaciones basadas en evidencia al responder una
pregunta. Por lo tanto, estamos interesados en identificar los propósitos para los cuales se realizan diferentes acciones
transnumerativas, y qué acciones pueden llevar a los profesores a notar o hacer después de esas acciones. Así, nuestras
preguntas de investigación son:
¿Qué actividades transnumerativas son evidentes en las presentaciones escritas de los profesores sobre sus
actividades de resolución de problemas estadísticos con un entorno estadístico dinámico?
¿Cuál parece ser el propósito de estas acciones y cuál puede ser el impacto de estas acciones en su investigación
estadística?
3. MÉTODOS
3.1. CONTEXTO Y TAREAS
Muchos de los estudios realizados para comprender el trabajo estadístico de los docentes se han realizado en un solo
sitio, a menudo con una muestra relativamente pequeña de docentes. Por el contrario, nuestro grupo de investigación examinó
el uso de herramientas estadísticas dinámicas por parte de los profesores con 204 profesores matriculados en cursos de ocho
instituciones diferentes de EE. UU. en las que los profesores utilizaban los mismos materiales curriculares (Lee, Hollebrands
y Wilson, 2010). En esos materiales, los docentes participan como aprendices y hacedores de estadísticas a través del análisis
de datos exploratorios (EDA), utilizando contextos que probablemente sean de interés para los docentes (por ejemplo, datos
escolares nacionales, economía de combustible de vehículos, datos de natalidad) que puedan promover la práctica de hacer
preguntas a partir de datos. TinkerPlots y Fathom se utilizan para involucrar a los docentes en tareas que desarrollan
simultáneamente su comprensión de ideas estadísticas y habilidades tecnológicas (SK y TSK, ver Figura 1). A lo largo de los
materiales, los hallazgos de la investigación sobre la comprensión de las ideas estadísticas por parte de los estudiantes se
utilizan para resaltar puntos, plantear cuestiones y plantear preguntas para que los profesores consideren las implicaciones
pedagógicas de diversos usos de la tecnología en la comprensión de las ideas estadísticas de los estudiantes. Los capítulos
1 a 4 del plan de estudios se centran en EDA utilizando estadísticas descriptivas y haciendo inferencias informales con una muestra de datos.
Los capítulos 5 y 6 se centran en la aleatoriedad, el muestreo y las distribuciones de estadísticas muestrales. (Ver Lee &
Hollebrands, 2008, para detalles sobre el diseño de materiales.)
Lo que se informa aquí se basa en el análisis del trabajo de los profesores en tres tareas, elegidas de los Capítulos 1, 3
y 4 de Lee et al. (2010), que utilizan conceptos y herramientas estadísticas similares en TinkerPlots o Fathom (ver Tabla 1).
Los profesores que implementaron los materiales asistieron a un instituto de verano de una semana de duración para
familiarizarse con las tecnologías, tareas específicas y conjuntos de datos, y cuestiones pedagógicas. En todas las
instituciones, se implementaron materiales en una variedad de cursos. La gran mayoría de los profesores matriculados en
estos cursos eran futuros profesores de un programa de preparación de profesores de matemáticas.
Sin embargo, algunos eran profesores en ejercicio y algunos eran estudiantes de posgrado que habían sido profesores de
aula. La mayoría de los cursos se centraron en el uso de la tecnología para enseñar matemáticas de nivel medio o secundario,
y algunos se centraron en estadística para profesores de nivel primario o medio. Nos referimos a todos los participantes en el
estudio como profesores. Reconocemos y aceptamos el hecho de que la formación matemática y estadística de estos
maestros varió ampliamente, al igual que su enfoque previsto en el nivel de grado entre K12. No estábamos tratando de
controlar o atender estos atributos de los profesores. Más bien, queríamos aceptar esta variabilidad y examinar el trabajo de
los profesores teniendo en cuenta los patrones que pueden surgir, sin tener en cuenta sus antecedentes y su nivel de grado.
30
Tabla 1. Tareas de investigación
Tarea tal como se plantea en los materiales
Tarea 1 [Nota: En la Tarea 1 se utilizaron dos conjuntos de datos similares que contenían
TinkerPlots datos escolares a nivel estatal para dos regiones de los EE. UU. Los atributos numéricos
para cada estado fueron los siguientes: gasto promedio por estudiante, salario
promedio de los maestros, número de maestros, número de graduados de
secundaria, ingreso promedio por estudiante y número promedio de estudiantes por maestro.]
Utilice TinkerPlots para explorar los atributos de este conjunto de datos y comparar
las distribuciones para el sur y el oeste [noreste y medio oeste]. Según los datos que ha
examinado, ¿en qué región preferiría enseñar y por qué? Proporcione una descripción
detallada de sus comparaciones. Incluya copias de gráficos y cálculos según sea
necesario.
Nota: Las tareas 2 y 3 requirieron el uso del conjunto de datos de vehículos de 2006 que incluía
cinco atributos cualitativos (fabricante, modelo, clase, tipo de transmisión, tipo de motor) y cuatro atributos
numéricos (mpg promedio en ciudad, mpg promedio en carretera, costo anual de combustible, peso).
Tarea 2 Explore varios de los atributos del conjunto de datos de vehículos de

Braza 2006. a) Genere una pregunta que involucre una comparación de distribuciones que le
gustaría que sus futuros estudiantes investigaran. b)
Utilice Fathom para investigar su pregunta. Proporcione una descripción detallada de
sus comparaciones y su respuesta a la pregunta planteada. Incluya copias de
gráficos y cálculos según sea necesario.
Tarea 3 Explore varios de los atributos del conjunto de datos de vehículos de

Braza 2006. a) Genere una pregunta que implique examinar las relaciones entre
atributos que le gustaría que sus futuros alumnos investigaran. b) Utilice
Fathom para investigar su pregunta. Proporcione una descripción detallada de su
trabajo y su respuesta a la pregunta planteada. Incluya copias de gráficos y cálculos
según sea necesario.
3.2. SOFTWARE UTILIZADO
TinkerPlots utiliza tarjetas de datos (Figura 2), similares a una pila de fichas, en las que cada tarjeta representa un
caso (por ejemplo, el estado de Alabama) y contiene los valores de ese caso para cada atributo (por ejemplo, salario
promedio, región del censo). en el conjunto de datos. Cuando se abrió inicialmente el archivo TinkerPlots para la Tarea
1, las Tarjetas de datos para la colección de casos eran la única representación visible.
Figura 2. Representación de tarjetas de datos en TinkerPlots.

31
Los profesores necesitaban construir activamente una representación utilizando las acciones primitivas de TinkerPlots de
separar, apilar y ordenar. La Figura 3 muestra tres parcelas del mismo atributo. La Figura 3a resultó de arrastrar el nombre de
un atributo cuantitativo al eje horizontal; los casos se clasificaron en dos categorías y grupos (815,9 estudiantes por maestro y
1624 estudiantes por maestro). Estos casos se separaron completamente en la Figura 3b (como un gráfico no apilado en el que
la ubicación vertical de los puntos de datos no es relevante), donde el eje horizontal aparece como una recta numérica y cada
caso se ubica encima de su valor para Estudiantes_por_Profesor. Para crear el diagrama de puntos en la Figura 3c, los casos
completamente separados se apilaron verticalmente. La barra de herramientas en la parte superior de la Figura 3 muestra
herramientas comúnmente disponibles que se pueden usar para aumentar un gráfico cuando se trabaja en una ventana de
trazado (por ejemplo, líneas de referencia, divisores o promedios).
Figura 3. Representaciones gráficas de separación y apilamiento en TinkerPlots.
Si bien las colecciones de datos también se pueden ver en formato de tarjeta de datos en Fathom, el archivo Fathom que
contiene los datos utilizados para las Tareas 2 y 3 se abrió con los datos que se muestran en una tabla de datos (Figura 4).
Cada fila es un caso diferente y los atributos se enumeran como encabezados de columna.
Figura 4. Representación de la tabla de datos en Fathom.
A diferencia de TinkerPlots, Fathom proporcionó opciones para tipos estándar de pantallas gráficas. Cuando un usuario
agregaba un nuevo gráfico para un único atributo cuantitativo, inicialmente aparecía como un gráfico de puntos. Los gráficos de
atributos cualitativos individuales se mostraron inicialmente como gráficos de barras. Un menú enumeraba las posibles opciones
de gráficos dadas las características de los atributos particulares (Figura 5).
32
Figura 5. Gráfico que ilustra el tipo de gráfico predeterminado (gráfico de puntos) y las opciones en Fathom.
Una vez que se ha creado un gráfico, el usuario puede agregar elementos (p. ej., un ícono que ubica la media, línea de mínimos
cuadrados, color que representa la escala de un atributo), aumentar un gráfico con otras herramientas (p. ej., superponer una línea
móvil que muestra cuadrados) o agregar gráficos que estén vinculados al gráfico original (por ejemplo, gráfico residual). Cuando se
muestra la línea de mínimos cuadrados, la ecuación y el coeficiente de determinación se agregan automáticamente a la representación.
Fathom también ofrece una tabla resumen para calcular y mostrar medidas estadísticas, incluidas aquellas que se usan
comúnmente (p. ej., media, mediana, desviación estándar, correlación), así como aquellas que un usuario puede crear (p. ej., máxmín,
media+desvestándar). ). Por lo tanto, la tabla de resumen es una representación en la que los usuarios pueden organizar y mostrar
muchas medidas estadísticas para una variedad de atributos (Figura 6).
Figura 6. Tabla resumen que incluye medidas estadísticas comunes y definidas por el usuario.
Tanto en TinkerPlots como en Fathom, después de que se hayan creado dos o más representaciones para un conjunto de datos
determinado, resaltar un caso en una representación crea una visualización resaltada de ese caso dentro de todas las demás
representaciones. Además, transformar el conjunto de datos en una representación crea una transformación análoga dentro de todas
las demás representaciones. Por ejemplo, cambiar un valor de datos para un atributo de un solo caso en la tabla de datos cambiará la
ubicación del caso en cualquier pantalla gráfica visible y actualizará cualquier medida estadística que dependa de ese valor.
3.3. DATOS RECOLECTADOS
En cada institución, cada maestro trabajó individualmente para completar la tarea, generalmente como tarea para casa. Se pidió
a los profesores que crearan un documento que describiera los detalles de su trabajo, no sólo una respuesta o afirmación final, y que
incluyeran capturas de pantalla ilustrativas de las formas en que utilizaban
33
tecnología para resolver la tarea. Se recopilaron un total de 247 documentos, incluidos documentos de Word, archivos
TinkerPlots y archivos Fathom, en todas las instituciones y se ocultaron para proteger la identidad institucional, docente y
docente. Se recopilaron datos sobre la Tarea 1 (n=102) de cinco instituciones y seis instructores.
Siete instructores tenían maestros trabajando en los materiales de los libros de texto que contenían las Tareas 2 y 3. Sin
embargo, debido a limitaciones de tiempo, la mayoría de los instructores asignaron solo la Tarea 3. Por lo tanto, los datos
sobre la Tarea 2 ( n = 41) se recopilaron de dos instructores en diferentes instituciones. Para la Tarea 3 se recopiló un total
de 104 documentos del trabajo de los docentes de seis instructores diferentes en cuatro instituciones.
3.4. PROCEDIMIENTOS DE ANÁLISIS
Para comenzar el análisis, se seleccionaron aleatoriamente cuatro documentos de la recopilación de datos para cada
tarea (un total de 12). A través de discusiones iterativas por parte del equipo de investigación, incluido el examen de
documentos y la comprensión del trabajo de los profesores, se utilizaron la teoría fundamentada (Strauss y Corbin, 1990) y
los métodos de arriba hacia abajo de Miles y Huberman (1994) para desarrollar, aplicar y refinar de forma iterativa. un
instrumento de codificación. El instrumento de codificación que surgió se basó en la teoría de la investigación sobre la
resolución de problemas estadísticos, en particular los ciclos de EDA y el uso de representaciones estáticas y dinámicas en
estadística y otros dominios de las matemáticas, y en categorías y códigos que surgieron del análisis de la muestra aleatoria
inicial de profesores. ' trabajar.
A menudo, en la investigación cualitativa, la cantidad de datos puede resultar abrumadora. Este fue el caso de nuestra
colección de 247 documentos. Se tomó la decisión de reducir nuestros datos mediante el uso de un enfoque de muestreo
aleatorio estratificado. Patton (2002) analiza varias formas en que los investigadores pueden utilizar técnicas de muestreo
estratificado y aleatorio dentro de métodos cualitativos. De la revisión inicial de los 12 documentos seleccionados al azar,
resultó obvio que algunas respuestas eran más detalladas que otras, contenían más ciclos de investigación estadística y
utilizaban más representaciones. Así, cada uno de los 247 documentos fue leído y clasificado como respuesta corta o larga.
Las respuestas breves solían tener una extensión de una página e incluían una o dos capturas de pantalla de una
representación con una explicación mínima; otras fueron clasificadas como respuestas largas. En la segunda fase del
análisis, se eligió una muestra aleatoria estratificada para tener una representación proporcional de las respuestas cortas y
largas de cada colección de respuestas a tareas, y para seleccionar alrededor del 25% de nuestros documentos en general
(ver Tabla 2).
Tabla 2. Diseño de muestra aleatoria estratificada
Tarea 1 Tarea 2 Tarea 3
Corto Largo Total Corto Largo Total Corto Largo Total
Total de documentos recopilados 52 50 102 12 29 41 38 66 104
Muestra aleatoria estratificada 13 12 25 4 8 12 9 16 25
Era posible que un maestro incluyera dos o tres de sus respuestas a la tarea en la muestra aleatoria estratificada. De
hecho, sólo cuatro profesores seleccionaron múltiples (dos o tres) documentos para su análisis. Así, un total de 56 profesores
produjeron los 62 documentos seleccionados aleatoriamente en nuestro análisis. El propósito de este enfoque no es poder
generalizar nuestros hallazgos a todos los docentes utilizando herramientas estadísticas dinámicas. Más bien, pretendemos
“captar variaciones importantes en lugar de identificar un núcleo común, aunque este último también puede surgir en el
análisis” (Patton, 2002, p. 240) y aumentar la credibilidad de nuestros resultados.
Todos los documentos de la muestra aleatoria estratificada de la Tarea 1 se enviaron en Microsoft Word y contenían
texto intercalado con capturas de pantalla ilustrativas. Siete de los 12 documentos seleccionados al azar para la Tarea 2 y
seis de los 25 examinados para la Tarea 3 se presentaron como un archivo Fathom, mientras que los restantes se
presentaron como un documento de Word. Dentro de un archivo Fathom, los profesores dejaban visibles sus representaciones
y escribían sus respuestas en cuadros de texto.
En el instrumento y procedimientos de codificación se analizó inicialmente cada uno de los 62 documentos de trabajo
docente con el fin de identificar ciclos de EDA. Cada ciclo incluía cuatro fases: elegir enfoque, representar datos, analizar/
interpretar y tomar decisiones (ver Wild y Pfannkuch, 1999). inicialmente
34
Al identificar cada fase de una investigación estadística e indicar cuántas veces un maestro puede pasar por estas fases, estábamos
identificando aspectos importantes de su SK. También tomamos nota de lo que parecía impulsar a un docente a continuar explorando
datos en ciclos posteriores. El cambio crítico de un ciclo al siguiente se identificó cuando un maestro hizo una afirmación, expresó
la necesidad de “profundizar más” o abandonó su enfoque actual y eligió uno nuevo (a menudo eligiendo un nuevo atributo de
interés o modificando el enfoque). enfoque de una pregunta para permitir un examen más detallado). Dentro de cada fase, se
utilizaron varias categorías para caracterizar el trabajo de los profesores (por ejemplo, tipo de pregunta formulada, número de
atributos utilizados, tipo de representaciones y si eran apropiadas, tipo de aumentos gráficos, qué se notó, interpretaciones que
ofrecieron, y cualquier reclamo que hayan hecho).
Con respecto al tipo de pregunta que investigaban los profesores, caracterizamos los tipos de preguntas en dos categorías,
influenciados por un esquema de clasificación desarrollado por Arnold (2009). Las preguntas amplias incluyeron elementos que
requerirían un proceso de resolución de problemas más abierto y tal vez más EDA. Por el contrario, una pregunta precisa se
centraba en un objetivo o hipótesis específica, lo que podía implicar un análisis simple o complejo.
Ejemplo de una pregunta amplia: "¿Qué tienen más en común los automóviles con transmisión manual y automática?"
(Planteado por un maestro respondiendo a la Tarea 2)
Ejemplo de pregunta precisa: “¿Existe una relación entre el peso de un vehículo y su costo anual de combustible? En
caso afirmativo, explique esa relación y describa su fortaleza. Si no es así, entonces dé una explicación de por qué puede
ser así”. (Planteado por el maestro respondiendo a la Tarea 3)
En el apéndice de Lee, Kersaint, Harper, Driskell y Leatham (2012) se publica un ejemplo de documento codificado. Al comienzo de
la sección Resultados, proporcionamos definiciones de las principales categorías de codificación que surgieron en relación con
acciones transnumerativas y ejemplos representativos para ilustrar cómo aparecieron en los datos.
Se formaron siete díadas de codificación y a cada una se le asignaron aleatoriamente entre 8 y 12 documentos para codificar.
Seis investigadores estaban cada uno en dos parejas y los otros dos investigadores estaban cada uno en una pareja. Inicialmente,
todos los documentos se codificaron individualmente y luego un par se reunió para discutir, comparar, registrar la confiabilidad
entre evaluadores y llegar a un consenso para cada documento. Cuando los pares de codificación se reunieron, registraron la
confiabilidad entre evaluadores (TIR) en muchas categorías. La TIR general para varias categorías de codificación utilizadas en
este artículo, en todos los documentos, fue de 0,746 para el número de ciclos, 0,923 para los tipos de representaciones utilizadas y
0,940 para las medidas agregadas a las representaciones. Hubo un bajo acuerdo inicial sobre la codificación de un aumento en un
gráfico (0,523), lo que llevó a discusiones para establecer una mejor definición de un aumento gráfico y a la reclasificación de todos
los documentos basados en esta definición (descrita en la Sección 4.1). Las discusiones como parte de este proceso dieron como
resultado el perfeccionamiento de las descripciones del código. Después de registrar la TIR, parejas de codificadores discutieron
sus desacuerdos hasta llegar a un consenso final. En algunos casos, se utilizó la opinión de un tercer codificador para ayudar a
llegar a un consenso.
Una vez completada la codificación cualitativa, a cada uno de los 62 documentos se le asignó un código de resumen para
varias categorías nuevas. Por ejemplo, creamos una nueva categoría para describir cuántos tipos únicos de representaciones usó
un maestro, así como el número total de representaciones utilizadas en su informe. Estos códigos de resumen se convirtieron en un
conjunto de datos condensados en el que pudimos crear estadísticas descriptivas para varias categorías, así como realizar
comparaciones informales entre varias categorías y utilizar técnicas de inferencia para examinar las diferencias entre algunas
categorías con un alfa establecido en 0,05. Nuestros resultados se basaron en análisis cualitativos y estadísticos de los códigos de
resumen condensados de los 62 casos.
4. RESULTADOS
Las principales ventajas del software estadístico dinámico incluyen la capacidad de: (1) crear y ver representaciones de datos
y medidas estadísticas, (2) vincular dinámicamente representaciones y (3) mejorar las presentaciones gráficas con aumentos.
Aunque TinkerPlots y Fathom comparten ciertos elementos de diseño y posibilidades similares, existen diferencias importantes.
Además, las tareas con las que trabajaban los profesores tenían características similares y diferentes. Cada tarea implicó un
conjunto de datos multivariados. Sin embargo,
35
La Tarea 1 (usando TinkerPlots) y la Tarea 2 (usando Fathom) se centraron en comparar distribuciones, mientras que la Tarea 3
(usando Fathom) se centró en analizar las relaciones entre atributos. Por lo tanto, la sección de resultados está organizada para
resaltar similitudes y diferencias entre tecnologías y tareas. Comenzamos con definiciones de códigos principales para actividades
transnumerativas que surgieron y se utilizaron al analizar el trabajo de los docentes.
4.1. CODIFICACIÓN PARA TRANSNUMERACIONES HABILITADAS POR TECNOLOGÍA
En la fase de “representar y analizar” de cada ciclo en el trabajo de un docente, registramos los detalles de dos formas básicas
de transnumerar datos: transformar datos en representaciones gráficas y
medidas estadísticas. Codificamos los tipos de representaciones gráficas y medidas estadísticas visibles en el documento, cuántas
se construyeron y si eran apropiadas para los datos y la pregunta que se buscaba. Para nosotros era importante observar cómo se
calculaban las medidas estadísticas. En TinkerPlots, la forma más sencilla de calcular una medida es agregarla a un gráfico. Sin
embargo, como se señaló anteriormente, en Fathom, las medidas se pueden calcular dentro de una ventana gráfica o mediante el
uso de una tabla de resumen.
Centrándonos dentro de un gráfico, queríamos capturar los diferentes aumentos gráficos visibles que fueron el resultado de una
acción transnumerativa que un usuario realizó en un gráfico que puede proporcionar información adicional para el análisis. La forma
más básica de aumento gráfico era la creación y visualización de medidas estadísticas dentro de un gráfico. Las acciones
transnumerativas más decididas tuvieron el efecto de alterar (p. ej., cambiar la escala, cambiar el ancho del contenedor en un
histograma) o mejorar un gráfico al agregar información (p. ej., regiones sombreadas, porcentajes en contenedores, línea móvil, línea
de referencia, mostrar cuadrados, agregar color). a un gráfico seleccionando/superponiendo un atributo, un gráfico de residuos para
mostrar un gráfico de residuos de una línea móvil o una línea de regresión ya agregada a un diagrama de dispersión). Por ejemplo,
la Figura 7 ilustra cómo un maestro amplió un gráfico en TinkerPlots mostrando medidas estadísticas (media y mediana), agregando
sombreado y mostrando porcentajes. La Figura 8 muestra cómo un maestro aumentó un modelo bidimensional.
Figura 7. Ampliación de un gráfico en TinkerPlots.
Figura 8. Aumento de un diagrama de dispersión en Fathom.

36
diagrama de dispersión con una escala de colores para uno de los atributos, agregó una línea de regresión de mínimos cuadrados,
una ecuación y una correlación calculada. En artículos anteriores que informaban sobre esta investigación, teníamos una definición
diferente de aumento que mostraba resultados ligeramente diferentes (ver Lee, Driskell, Harper, Leatham, Kersaint y Angotti, 2011;
Lee, Kersaint, Harper, Driskell y Leatham, 2012). .
También codificamos si había evidencia de que un maestro estableciera vínculos entre representaciones. Diferenciamos entre
Enlace Dinámico y Enlace Estático, los cuales consideramos actividades transnumerativas. La vinculación dinámica ocurre cuando
se realizó una acción intencionada en una representación que provoca una acción reactiva y coordinada en otra representación.
Estas acciones dan como resultado un "resaltado" visible de casos individuales en todas las representaciones (por ejemplo,
seleccionar un caso en un gráfico y verlo resaltado en una tabla de datos o "volteado" en las Tarjetas de datos, seleccionar una
variedad de casos en un gráfico y ver esos mismos casos resaltados en una ventana gráfica separada) o un cambio en una
representación (por ejemplo, arrastrar) altera la información en otra representación (ver Figura 9). A veces, el uso de enlaces
dinámicos era explícito en los informes de los profesores porque tenían una captura de pantalla con dos o más representaciones
resaltadas o informaron que hicieron clic en un caso en una representación y lo vieron resaltado en otra. En otras ocasiones, sin
embargo, el uso de enlaces dinámicos estaba implícito. Conociendo las capacidades del software y basándose en lo que se informó
en los documentos de los profesores, los codificadores a veces tuvieron que inferir que se habían utilizado enlaces dinámicos. Por
ejemplo, al describir una distribución mostrando un gráfico, si un maestro afirma algo específico sobre dos casos que no se muestra
en un gráfico (por ejemplo, “el sur tiene dos valores atípicos, Florida y Texas”, consulte la Figura 10), entonces dedujeron que
utilizaban enlaces dinámicos para hacer clic en un punto de datos en el gráfico y ver los detalles de ese caso en la tarjeta de datos.
Figura 9. Vinculación dinámica de dos representaciones gráficas en Fathom.
Figura 10. Uso de enlaces dinámicos en TinkerPlots para identificar nombres de estado de puntos de datos considerados
valores atípicos con enlace entre el icono de caso en el gráfico y la tarjeta de datos.
37
La vinculación estática se produjo cuando había evidencia de que un maestro coordinaba información complementaria en dos o más
representaciones estáticas (Ainsworth, 1999) que no requerían ninguna interacción tecnológica directa con una representación (por
ejemplo, ver un diagrama de puntos de un atributo y un diagrama de caja separado). del mismo atributo, se puede coordinar la información
en cada gráfico y notar que si bien el bigote inferior tiene un rango grande, casi todos los datos se apilan cerca del extremo inferior con
una brecha significativa en la distribución, como se ve en el gráfico de puntos) . La Figura 11 ilustra el razonamiento de un maestro sobre
dos distribuciones y cómo se coordinó la información entre dos representaciones para hacer una afirmación.
“El siguiente atributo que miré fue el

ingreso por estudiante. La mediana
para el Oeste es de $8,565 y para el
Sur es de aproximadamente $8,210.
Estas medianas están
aproximadamente muy cerca. Esto significa
que Occidente recibe más dinero por
estudiante. Lo curioso es que Occidente
gasta más en sus estudiantes, por lo que
a cambio deberían recibir más dinero por
estudiante que el Sur. Además,
Occidente gasta alrededor de
$7,580 en un estudiante y recibe
alrededor de $1,000 más por estudiante,
lo cual es muy útil para la escuela. El
Sur gasta alrededor de 7.160 dólares
en un estudiante y recibe alrededor de
8.210 dólares, lo que también es una
gran ganancia para ellos”. [cursiva
agregada para enfatizar la coordinación entre gráficos y medidas]
Figura 11. Enlaces estáticos en TinkerPlots para coordinar representaciones.
En nuestra codificación surgió un tipo especial de actividad de transnumeración, el examen de subconjuntos . Esto ocurrió cuando
un usuario realizó una acción que resultó en la creación de un subconjunto de datos. Ejemplos de tales acciones fueron eliminar un caso
específico, o un subconjunto de casos, o filtrar el conjunto de datos según el valor de un atributo. Por ejemplo, considere el trabajo del
maestro en la Figura 12. Usando algo que notaron en el gráfico de dos por dos de atributos categóricos (transmisión y tipo de motor), el
maestro decidió eliminar las cajas de autos híbridos y examinar solo los estándares y automóviles diésel para conocer cómo se comparan
las clasificaciones de millas por galón en ciudad y carretera para transmisiones automáticas o manuales.
Figura 12. El trabajo de un profesor para examinar un subconjunto de datos.

38
4.2. USO DE TINKERPLOTS POR PARTE DE LOS PROFESORES PARA COMPARAR DISTRIBUCIONES (TAREA 1)
Para la Tarea 1 (ver Tabla 1), los maestros tuvieron acceso a seis atributos numéricos para cada estado en dos regiones
censales de EE. UU. Luego se les pidió que decidieran la región en la que preferirían enseñar, basándose en la evidencia
recopilada al comparar las distribuciones de uno o más de estos atributos numéricos. Dado que esta tarea se considera una
pregunta amplia (abierta, con múltiples caminos de solución), y a todos los profesores se les pidió que exploraran la misma
pregunta, el trabajo de los 25 profesores en esta tarea se clasificó como respuesta a una pregunta amplia.
Para esta tarea se dispuso de dos conjuntos de datos diferentes. El primero contenía datos de las regiones Sur y Oeste,
compuestas por 17 y 13 estados, respectivamente. El segundo conjunto contenía datos de las regiones Noreste (9 estados) y
Medio Oeste (12 estados). Para que la tarea fuera más contextual y relevante para los profesores, los profesores a menudo
elegían el conjunto de datos en función de la ubicación de su institución.
Creación y uso de gráficos y medidas estadísticas. Al codificar los documentos de la Tarea 1 (n=25), las tablas de datos y
los gráficos se consideraron representaciones, ya que los profesores debían arrastrar hacia abajo una tabla de datos para ver
una representación numérica diferente, o usar un gráfico para construir una representación visual.
No incluimos las Tarjetas de datos como una representación creada por los profesores, ya que estaban disponibles
automáticamente en el archivo TinkerPlots para esta tarea. Sin embargo, si el trabajo de los maestros indicó el uso de
vinculación entre las Tarjetas de datos y una tabla o gráfico de datos, las Tarjetas de datos se consideraron una representación
de los datos que se vinculaban.
Los diagramas más comunes creados en respuesta a esta tarea fueron los diagramas de puntos y los diagramas de caja.
Tres profesores utilizaron un gráfico agrupado para mostrar categorías de valores. La mayoría (n=18) de los 25 profesores solo
utilizaron un tipo único de representación a lo largo de su resolución de problemas. Como máximo, los profesores utilizaron dos
tipos únicos de representaciones, normalmente un diagrama de puntos y un diagrama de caja. Ambos gráficos son apropiados
para examinar y comparar distribuciones. Aproximadamente la mitad de los profesores (n=12) crearon sólo una representación
por ciclo de investigación. Es decir, si tuvieron cinco ciclos en la resolución de problemas, también crearon cinco
representaciones, una en cada ciclo.
En general, los profesores utilizaron medidas adecuadas relacionadas con la pregunta que perseguían. Las medidas más
utilizadas fueron la media y la mediana, aumentadas en un gráfico. TinkerPlots permite fácilmente la incorporación de
estadísticas resumidas, como medidas de centro, en representaciones gráficas con solo hacer clic en un icono de la barra de
herramientas de trazado. Como tal, no sorprende que 18 profesores superpusieran medidas estadísticas a gráficos. Si bien la
mayoría de los profesores simplemente agregaron los símbolos icónicos para la media o la mediana (por ejemplo, Figura 7),
algunos agregaron el valor numérico de la medida o mostraron una línea vertical en la ubicación de una medida (por ejemplo,
Figura 10). Algunos profesores también parecieron utilizar diversas técnicas para estimar o calcular otras medidas. Por ejemplo,
algunos usarían el aumento de la línea de referencia y lo arrastrarían a la ubicación del primer o tercer cuartil en un diagrama
de caja e informarían esos valores o los usarían para estimar el rango intercuartil. Algunos también harían clic en los íconos
más bajo y más alto de una distribución para leer los valores en las Tarjetas de datos y luego usarían esos valores para calcular
un rango o simplemente informar los valores mínimos y máximos. Por lo tanto, aunque no es sencillo hacer que TinkerPlots
calcule estadísticas descriptivas o resumidas comunes, como el rango intercuartil (IQR), varios profesores pudieron utilizar
diversas herramientas y técnicas para obtener estos valores y utilizarlos en sus análisis. También hubo evidencia directa de
que un maestro ingresó valores de datos para todos los casos en una calculadora gráfica y calculó estadísticas resumidas.
Vinculación de representaciones. Varios profesores (n=9) indicaron claramente el uso de enlaces dinámicos, mientras que
unos pocos (n=3) demostraron el uso de enlaces estáticos (dos profesores utilizaron ambos tipos de enlaces). Nos pareció
significativo que los informes de muchos profesores (n=15) no indicaran que se involucraran en vincular representaciones en
absoluto (dinámicas ni estáticas). Esto no significa que dichos vínculos no se produjeron mientras trabajaban en su tarea, pero
es un indicador de que no discutieron la resolución de su problema en su informe de tal manera que revelara cualquier vínculo
que pudiera haber ocurrido.
Los propósitos más comunes de los enlaces dinámicos eran identificar un valor particular para un caso específico de
interés haciendo clic en el ícono de un caso particular en el gráfico y usando la tarjeta de datos para determinar el valor de un
atributo. Los profesores a menudo se centraban en casos especiales, como aquellos que parecían ser atípicos, y a menudo
situaban estos casos en comparación con el conjunto. También se infirió que un
39
pocos profesores vincularon dinámicamente una tarjeta de datos y un gráfico para informar valores específicos (por ejemplo, puntos
de datos en el primer cuartil) o calcular medidas como el rango, que no se calcula ni se muestra fácilmente en TinkerPlots.
Se produjeron pruebas de vinculación estática de representaciones en documentos presentados por tres profesores; coordinaron
una característica de una distribución de un atributo con algo notado anteriormente en su trabajo al examinar una distribución de un
atributo diferente. Por ejemplo, al comparar la distribución de Ingresos por Estudiante en el Oeste y el Sur, el maestro hizo referencia
a una representación anterior que representaba la distribución de Gastos por Estudiante (ver el trabajo del maestro en la Figura 11).
Esta relación podría notarse si se observara un diagrama de dispersión de estos dos atributos cuantitativos. Sin embargo, no hubo
evidencia en el trabajo de este maestro de que se hiciera tal representación.
Trabajar con representaciones gráficas: aumentar y examinar subconjuntos de datos En general, los profesores estuvieron muy
involucrados en el uso de varias herramientas de TinkerPlots para trabajar con sus representaciones gráficas. La mayoría de los
profesores (n=21) utilizaron alguna forma de aumento gráfico en sus representaciones. Como se indicó en la sección anterior, muchos
profesores (n=18) agregaron uno o más tipos de medidas estadísticas a sus gráficos, que es el primer tipo básico de aumento gráfico
que codificamos.
Más de la mitad (n=15) de los profesores aprovecharon otras formas de aumentar un gráfico, como agregar una línea de referencia
(ver Figuras 10 y 11), insertar divisores para sombrear una región y ordenar los datos. Varios profesores utilizaron aumentos para
mejorar una representación agregando recuentos o porcentajes para una región específica de datos y agregando color al gráfico
seleccionando un atributo diferente. Este último tipo de aumento, añadir color superponiendo un segundo o tercer atributo en la trama,
a menudo aumentaba la complejidad del análisis cuando los profesores consideraban las relaciones entre los atributos.
Varios profesores (n=8) aprovecharon las capacidades de TinkerPlots para examinar un subconjunto de datos. Los profesores
identificarían un caso particular que fuera un valor atípico (usando la característica para indicar en un gráfico si un valor de datos es
un valor atípico estadístico), o que pensaban que parecía ser lo suficientemente diferente de los otros casos en una distribución.
Luego usarían la herramienta para eliminar uno o varios casos, lo que actualizaría el gráfico y todas las medidas en consecuencia sin
considerar el caso eliminado. Para siete de estos profesores, la eliminación de uno o dos casos fue apropiada y pareció mejorar su
capacidad para emitir juicios sobre la distribución. Hubo un documento en el que un maestro eliminó repetidamente uno o varios
casos de una distribución y luego pasó a analizar un atributo diferente sin volver a mostrar los casos previamente eliminados. Por
ejemplo, el profesor examinó la distribución de un atributo y eliminó un caso que aparentemente era un valor atípico. Luego, el
profesor arrastró un nuevo atributo al eje horizontal que mostraba una distribución para ese nuevo atributo con un caso menos. Al
examinar esa nueva distribución, el maestro optó por eliminar otro caso que parecía ser un valor atípico y ahora mostraba n2 casos.
Este proceso se repitió durante varios ciclos en los que cada vez se eliminaba un caso diferente. Por lo tanto, parecía que la capacidad
de eliminar un caso se convirtió en un proceso que este profesor pensaba que siempre debería aplicarse, y no hubo indicios de
conciencia de que los subconjuntos de datos estaban excluyendo casos de ciclos de análisis posteriores. Por lo tanto, consideramos
que el trabajo de este profesor muestra que realizar una acción transnumerativa puede no siempre ser una indicación de un fuerte
pensamiento estadístico.
4.3. USO DE LA FATHOM POR PARTE DE LOS PROFESORES PARA COMPARAR DISTRIBUCIONES (TAREA 2)
Las Tareas 2 y 3 (ver Tabla 1) utilizaron Fathom y ambas involucraron EDA de un conjunto de datos pertenecientes a 41
vehículos fabricados en 2006. A diferencia de la Tarea 1, se pidió a los maestros que generaran su propia pregunta, una que podrían
formular por su cuenta. futuros estudiantes, e informar sobre su EDA. En la Tarea 2, se les pidió que generaran una pregunta que
involucrara una comparación de distribuciones.
El archivo Fathom que contiene los datos utilizados para las Tareas 2 y 3 se abrió con los datos ya mostrados en una tabla de
datos. Por lo tanto, la tabla de datos no figuraba específicamente como una representación creada por los profesores.
Sin embargo, si un maestro usó la tabla de datos al vincularla a otra representación, como un gráfico o una tabla de resumen, se
consideró una representación vinculada.
Seis de los 12 documentos seleccionados al azar que fueron examinados para la Tarea 2 se presentaron como archivos Fathom
en lugar de documentos Word. Enviar respuestas como un archivo Fathom permitió a los maestros dejar muchas de sus
representaciones visibles y escribir en un cuadro de texto ubicado muy cerca del
40
gráfico que se describe. Los profesores que enviaron respuestas utilizando un documento de Word intercalaron respuestas de texto con
capturas de pantalla de su trabajo en Fathom.
Creación y uso de gráficos y medidas estadísticas. Los 12 profesores que trabajaron en la Tarea 2 plantearon preguntas tanto
amplias (n=5) como precisas (n=7) que requerirían una comparación de distribuciones.
Para explorar estas preguntas, crearon y utilizaron una variedad de representaciones en su investigación (por ejemplo, Figura 13). Los
profesores crearon múltiples tipos de gráficos: nueve usaron diagramas de caja, nueve usaron diagramas de puntos y algunos crearon
histogramas y diagramas de dispersión. Casi todos (11 de 12) utilizaron al menos dos representaciones en un ciclo durante su
investigación. Las tablas de resumen se utilizaron ampliamente (n=9), y varios profesores utilizaron más de una tabla de resumen. Una
posible explicación para el aumento en el número de representaciones múltiples identificadas en los informes presentados puede ser
que más de la mitad de los documentos se presentaron como archivos Fathom. Sin embargo, los profesores que proporcionaron
respuestas en un documento de Word también intercalaron sus respuestas con una variedad de representaciones.
Considerado en conjunto, esto sugiere que, independientemente de los entornos de presentación de informes, los docentes que
completaron la Tarea 2 aprovecharon múltiples representaciones en Fathom para ayudarlos a explorar las preguntas que generaron.
Figura 13. Documento de muestra que ilustra múltiples representaciones utilizadas por un profesor.
Diez de los 12 profesores parecían estar haciendo un uso intencionado de la capacidad de Fathom para calcular múltiples medidas
para ayudarles en su trabajo. Los profesores normalmente utilizaron medidas estadísticas de media y mediana al comparar distribuciones
en la Tarea 2. La mayoría también calculó una medida de dispersión como la desviación estándar o IQR, y algunos calcularon el
resumen estándar de cinco números. Las medidas estadísticas se agregaron a una visualización gráfica (n = 7), a una tabla de resumen
(n = 9), o a ambas. Dos profesores crearon sus propias medidas (p. ej., media + stdDev, (maxmin)/stDev, media stdDev) junto con
otras medidas estándar generadas en la tabla resumen (ver Figura 6). Estas medidas se utilizaron apropiadamente para fundamentar
sus afirmaciones sobre la tendencia central o tipicidad que notaron en la distribución, con alguna referencia también a la variabilidad.
Vinculación de representaciones. Aunque las respuestas enviadas a la Tarea 2 tendieron a ser largas, estos documentos revelaron
el porcentaje más pequeño de docentes en todas las tareas que mostraron evidencia de representaciones vinculadas. Sólo cuatro
profesores proporcionaron evidencia de representaciones vinculadas, y sólo dos profesores indicaron explícitamente el uso de vínculos
dinámicos. Los profesores que crearon diferentes representaciones pero no lograron establecer vínculos entre ellas (n=8) parecieron
utilizar diferentes representaciones para enfatizar diferentes aspectos de los datos. Por ejemplo, un maestro usó: (1) un diagrama de
puntos para ver la variación en los datos:
mayor variación en la economía de combustible de los vehículos con transmisión automática que con la manual; (2) diagramas de caja
para identificar la existencia de valores atípicos: los autos híbridos son valores atípicos; y (3) gráficos de barras para identificar similitudes
41
y diferencias en grupos de casos: los automóviles híbridos son desproporcionadamente automáticos, mientras que los motores
diésel y estándar tienen una proporción similar de manuales/automáticos. Sin embargo, no hubo evidencia para inferir que estos
maestros establecieran vínculos entre representaciones en sus respuestas escritas o representaciones mostradas.
Los dos profesores que vincularon representaciones dinámicamente notaron que hacían clic en puntos de datos en un gráfico
para ubicar casos específicos en la tabla de datos. Los otros dos profesores utilizaron enlaces estáticos para coordinar información
entre múltiples representaciones con el fin de fundamentar una afirmación o responder preguntas. Por ejemplo, un maestro señaló
que, “usando estas tres representaciones (diagrama de puntos, diagrama de caja, tabla resumen), noté que los automóviles que
tenían transmisiones automáticas tenían el mayor rango de mpg en ciudad con 45, en comparación con el rango de 36 de la
transmisión manual. .” Es posible que este maestro también haya vinculado representaciones dinámicamente, pero la respuesta
proporcionada no incluyó suficiente información para inferir que se produjo dicha vinculación.
Trabajar con representaciones gráficas: aumentos gráficos y examen de subconjuntos.

El trabajo de los profesores en la Tarea 2 demostró una fuerte tendencia a participar en alguna forma de gráficos aumentados
(nueve aumentados de alguna manera). En algunos casos en los que los profesores (n=7) crearon y agregaron medidas a las
pantallas gráficas, a primera vista parecía que los profesores estaban usando principalmente la ventana del gráfico como un lugar
para calcular una medida estadística, como el IQR y la desviación estándar (ver Figura 14). ; sin embargo, no tuvimos forma de
verificar si este era el caso porque sus declaraciones no proporcionaron suficiente información para sustentar dicho análisis. En un
caso, un maestro parecía estar usando media, media+desvestándar y mediadesvestándar para superponer líneas de referencia
verticales para quizás ayudar a comparar la distribución del peso con las características de una distribución normal (Figura 14,
segundo gráfico). Cinco profesores también ampliaron su gráfico para agregar color o íconos para representar un atributo adicional.
Al igual que en el análisis de los documentos de la Tarea 1, este aumento les permitió notar más aspectos de los datos y, a
menudo, condujo a análisis más detallados.
Figura 14. Trabajo de los profesores que muestra medidas comunes y definidas por el usuario en un gráfico.
Tres de los 12 profesores que trabajaron en la Tarea 2 examinaron un subconjunto de datos en su trabajo. Dos profesores
utilizaron la capacidad de filtrar dentro de un gráfico para eliminar una categoría particular dentro de un atributo.
Uno utilizó filtros para examinar de cerca las tendencias de las transmisiones manuales y automáticas, mientras que otro eliminó
los híbridos de una pantalla gráfica. Otro profesor filtró los coches híbridos después de examinar los diagramas de caja de los
datos. El profesor hizo esto creando una nueva tabla de casos sin los autos híbridos y luego creando un nuevo diagrama de caja
del nuevo conjunto de datos. Para cada uno de estos profesores, las acciones realizadas para examinar intencionalmente un
subconjunto de datos fueron guiadas por acciones y observaciones transnumerativas previas en su análisis y parecieron reforzar
en gran medida su enfoque y permitirles hacer afirmaciones más específicas para ciertos tipos de vehículos.
42
4.4. USO DE LA BRAZA POR PARTE DE LOS PROFESORES PARA ANALIZAR RELACIONES (TAREA 3)
La Tarea 3 (ver Tabla 1) también utilizó Fathom. Como se mencionó en la sección anterior, las Tareas 2 y 3 involucraron
EDA del mismo conjunto de datos. En la Tarea 3, se pidió a los profesores que generaran su propia pregunta que implicara
examinar las relaciones entre atributos, una que podrían formular a sus propios futuros estudiantes e informar sobre su
EDA. Seis de las 25 respuestas de la Tarea 3 se enviaron como documentos Fathom y las 19 restantes fueron documentos
Word.
Creación y uso de gráficos y medidas estadísticas. La tarea 3 requería que los profesores plantearan una pregunta
para investigar. Siete de los 25 profesores plantearon preguntas amplias y el resto preguntas precisas. Los profesores que
trabajaron en esta tarea crearon representaciones gráficas que uno esperaría usar para examinar las relaciones entre
variables. Con mayor frecuencia (n=17) los profesores utilizaron diagramas de dispersión de dos atributos cuantitativos, y
varios (n=7) superpusieron un tercer atributo para examinar las relaciones entre tres atributos. Algunos profesores utilizaron
diagramas de puntos (n=9) o diagramas de cajas (n=7) para examinar las distribuciones de varios atributos, a veces dentro
de una única ventana gráfica separando un atributo cuantitativo por un atributo cualitativo, y otras veces graficando dos
atributos cuantitativos en ventanas de gráficos separadas. Algunos profesores (n=4) crearon histogramas para examinar las
distribuciones.
De los 25 profesores, 16 agregaron medidas estadísticas a gráficos o tablas de resumen. Nueve profesores crearon
una representación de tabla resumen para mostrar medidas estadísticas. Debido a la naturaleza de la Tarea 3, que pregunta
sobre las relaciones entre atributos, no sorprende que las medidas estadísticas más comunes utilizadas por los profesores
fueran las líneas de mínimos cuadrados y sus ecuaciones. Nueve profesores agregaron una recta de mínimos cuadrados y
su ecuación a una gráfica, y cuatro profesores calcularon la correlación de dos atributos. Cinco profesores trazaron la media
de uno de los atributos en un gráfico.
Vinculación de representaciones. Un poco menos de la mitad (n=11) de los 25 profesores proporcionaron evidencia de
vincular representaciones de forma estática o dinámica. En general, el propósito más común de la vinculación fue comparar
la posición de grupos de casos a través de representaciones gráficas y hacer declaraciones sobre sus relaciones (como se
muestra en la Figura 9).
De los seis profesores que incluyeron evidencia de representaciones vinculadas estáticamente, cuatro revelaron
vínculos entre dos o más gráficos. Esta vinculación generalmente ocurría cuando un maestro notaba la forma de un gráfico
y comentaba si un segundo gráfico, desarrollado usando un atributo diferente, tenía una forma similar. Además, dos
profesores vincularon medidas numéricas en tablas resumen con representaciones gráficas. Por ejemplo, un maestro
vinculó la desviación estándar a un histograma en un intento de darle sentido a la magnitud de la desviación estándar al
señalar que “los [vehículos] automáticos también tienen una desviación estándar mucho más alta, lo que se refleja en el
amplio rango de la desviación estándar”. histograma”.
Cinco profesores proporcionaron evidencia de vincular dinámicamente sus representaciones, ya sea implícita o
explícitamente. Tres de estos profesores vincularon dos gráficos, uno vinculó un gráfico con la tabla de datos y otro vinculó
los valores numéricos de los controles deslizantes (valores de control de los coeficientes en un modelo) a las características
de un gráfico del modelo. Dos profesores que vincularon dinámica y estáticamente lo hicieron vinculando varios gráficos
univariados (ver Figura 9), y un maestro vinculó un diagrama de caja a un diagrama de dispersión. La vinculación de
representaciones pareció facilitar observaciones durante su análisis que condujeron a interpretaciones vinculadas a la
pregunta que perseguían.
Trabajar con representaciones gráficas: aumentos gráficos y examen de subconjuntos.

Los profesores que trabajaron en la Tarea 3 dentro de Fathom utilizaron varias herramientas para interactuar con sus
representaciones gráficas. La mayoría de los documentos (n=20) indicaron que los profesores aumentaron sus gráficos de
alguna manera con medidas u otras mejoras. Un poco más de la mitad (n=14) de los profesores agregaron uno o más tipos
de medidas estadísticas directamente a sus gráficos. Trece profesores proporcionaron evidencia del uso de alguna otra
forma de aumento en sus representaciones gráficas.
Los aumentos relacionados con la línea de mínimos cuadrados fueron los más utilizados. Estos aumentos incluyen agregar
una línea móvil (n=4), mostrar cuadrados (n=2) y agregar un gráfico residual (n=4) para mejorar un diagrama de dispersión.
También se utilizaron (n=5) aumentos que mejoran una representación agregando un tercer atributo al gráfico que resultó
en un cambio de color o íconos para mejorar una representación gráfica. Un profesor intentó encontrar la curva de mejor
ajuste trazando cuatro curvas cuadráticas diferentes.
43
ecuaciones en la gráfica. Estos aumentos no sólo fueron visibles en el trabajo de los profesores, sino que generalmente se
mencionaron en sus respuestas, que indicaban lo que estaban notando e interpretando sobre los datos con estos gráficos mejorados.
Sólo hubo un caso en el que un profesor filtró los datos para examinar un subconjunto. Este profesor filtró dos gráficos
separados pero similares. El maestro estaba investigando la relación entre millas por galón (mpg) en ciudad (o carretera) y los
costos anuales de combustible y tenía un diagrama de dispersión con estos dos atributos y el tipo de motor superpuestos como
tercera variable. En ambos gráficos restringió los casos a aquellos vehículos que tenían más de 30 millas por galón en ciudad o en
carretera. Por lo tanto, se centraba en si la relación cambiaba si sólo utilizaba vehículos que consideraba más eficientes.
4.5. USO DE ACCIONES TRANSNUMERATIVAS POR PARTE DE LOS DOCENTES
Al considerar las formas en que los profesores pueden haber estado usando y/o desarrollando su conocimiento estadístico
[SK] y su conocimiento estadístico tecnológico [TSK], examinamos más a fondo el trabajo de los profesores en busca de relaciones
entre las preguntas que generaron y sus acciones transnumerativas de las representaciones que utilizaron. medidas que crearon o
usaron, las formas en que vincularon o no representaciones, aumentaron gráficos agregando medidas estadísticas a los gráficos o
alterando o agregando información, y examinando subconjuntos de datos.
Evidencia de SK y TSK en la Tarea 1. Diez profesores con representaciones vinculadas dinámica o estáticamente; de estos,
seis también aumentaron sus gráficos alterando o agregando información y ocho agregaron una medida estadística a sus gráficos.
De los 15 profesores que interactuaron más con un gráfico mediante aumentos, sólo seis habían vinculado sus representaciones.
De los 18 profesores que agregaron medidas estadísticas a un gráfico, 11 de sus informes no indicaron ningún vínculo de
representaciones. En general, no parecía haber ninguna tendencia fuerte entre el uso de aumentos gráficos por parte de los
profesores y las representaciones de enlace.
Hubo ocho profesores que examinaron un subconjunto de datos en la Tarea 1. Seis de ellos vincularon dinámicamente
representaciones, siete agregaron medidas estadísticas a los gráficos y cinco agregaron otros tipos de aumentos a sus gráficos.
Sólo hubo un profesor que examinó subconjuntos de datos pero no participó en ningún tipo de aumento. Sin embargo, este profesor
vinculó dinámicamente un gráfico con la tarjeta de datos. Por lo tanto, parecía que los profesores que eligieron examinar
subconjuntos de datos participaron en al menos tres ciclos de investigación y tendieron a interactuar con los gráficos mediante
aumentos y vinculaciones.
Los maestros mostraron evidencia de saber cómo crear y usar apropiadamente diagramas de puntos dobles y diagramas de
caja, y agregarles aumentos gráficos, más comúnmente medianas y medias, líneas de referencia, sombreados y porcentajes. Sin
embargo, en su trabajo, la mayoría de los profesores utilizaron sólo un tipo de representación y no parecieron aprovechar la
capacidad de examinar datos de múltiples maneras.
De hecho, muchos profesores crearon una representación específica en su primer ciclo y debido a que la mayoría de las
representaciones utilizadas en ciclos posteriores parecían similares, parecía que la única acción utilizada para crear su siguiente
representación fue arrastrar y soltar un nuevo atributo en el eje horizontal. Hubo evidencia de que algunos profesores utilizaron
diferentes aumentos gráficos en ciclos posteriores, pero en muchos casos, las representaciones utilizadas en los ciclos fueron casi
idénticas. Esto, junto con la tendencia de que 12 maestros usaron una representación por ciclo, sugiere que muchos maestros
pueden haber rutinariado su trabajo para poder usar la misma lente o enfoque para comparar los estados en dos regiones diferentes
del país con cada nuevo atributo que optó por examinar. Una visión tan rutinaria de cómo utilizar las funciones de TinkerPlots para
participar en una investigación estadística puede indicar que el desarrollo de su SK y TSK no va mucho más allá de ver la
herramienta como una forma de automatizar la creación de gráficos y cálculos y participar en tipos básicos de actividades de
transnumeración. En general, sólo cinco profesores de nuestra muestra mostraron evidencia en su informe escrito de que utilizaban
TinkerPlots de manera que combinaban vinculación dinámica, aumento y examen de subconjuntos de datos.
Evidencia de SK y TSK en la Tarea 2. En su mayor parte, las representaciones utilizadas por los profesores en la Tarea 2
generalmente estaban alineadas con las preguntas generadas. Los profesores aprovecharon la capacidad de generar múltiples
tipos de gráficos en Fathom para ayudarlos en su exploración. Nueve de los diez profesores
44
quienes no mostraron evidencia de vinculación en su trabajo escrito aún aprovecharon diferentes concretizaciones o vistas
de datos posibles en Fathom para resaltar diferentes aspectos de una distribución.
Estos profesores utilizaron más de un tipo de representación, aumentaron sus gráficos con medidas estadísticas o color, y
cuatro profesores utilizaron una gran cantidad de representaciones en su trabajo (8 o más).
De hecho, el trabajo de los profesores en la Tarea 2 reflejó una variedad de enfoques diferentes e interesantes para
explorar datos. Un maestro creó nuevos atributos para examinar definiéndolos en función de los existentes. Por ejemplo,
estaba interesada en considerar la diferencia entre millas por galón en carretera y ciudad (HWYCITY) y los costos de
combustible por libra de vehículo (combustible/peso anual).
Los profesores también aprovecharon la capacidad de Fathom para automatizar el cálculo de medidas. En 11 de los 12
documentos analizados, los profesores utilizaron medidas estándar (como la media y la mediana) generadas a través de las
tablas de resumen en Fathom para ayudarles a explorar los datos proporcionados. En dos de los documentos analizados,
los profesores crearon sus propias medidas no estándar utilizando la herramienta de fórmulas disponible en Fathom. En
definitiva, estas observaciones hablan de la facilidad de los profesores para aprovechar las capacidades del software para
generar presentaciones gráficas y una gran cantidad de medidas estadísticas, tanto estándar como definidas por el usuario,
y para utilizar estas representaciones de manera apropiada para explorar datos. Por lo tanto, el trabajo de la mayoría de los
profesores en una tarea de comparación de distribución en Fathom indicó el uso de muchas acciones transnumerativas
diferentes sobre los datos. Afirmamos que tales acciones muestran evidencia del desarrollo de SK y TSK ricos.
Evidencia de SK y TSK en la Tarea 3. El trabajo de los profesores ilustró su capacidad para utilizar una amplia variedad
de representaciones apropiadas y medidas estadísticas para examinar las relaciones entre variables. No sólo utilizaron
diagramas de dispersión, a menudo mejorados con aumentos, sino que también utilizaron varias visualizaciones univariadas
y vincularon estos gráficos para examinar las relaciones. De hecho, casi todos los profesores (n=22) se dedicaron a aumentar
su gráfico o vincular entre representaciones. Ocho de cada 11 profesores que vincularon representaciones dinámica o
estáticamente también aumentaron su gráfico de alguna manera. Seis de esos ocho aumentaron y agregaron medidas a los
diagramas de dispersión; los otros dos generaron gráficos que examinaron solo una variable. La Figura 15 muestra un
ejemplo de un maestro que agregó cuatro aumentos gráficos a un diagrama de dispersión estándar: dos medidas agregadas
(media (peso), línea de mínimos cuadrados) y dos mejoras que agregan información adicional al gráfico (mostrando
cuadrados, diagrama residual).
Figura 15. Diagrama de dispersión en Fathom con aumentos mostrados.
Por lo tanto, los profesores que trabajaron en la Tarea 3 tendieron a crear más de un tipo de representación y a participar
en muchas acciones transnumerativas sobre los datos, a menudo creando presentaciones gráficas ricas y utilizando
múltiples representaciones para respaldar sus afirmaciones.
5. DISCUSIÓN DE TENDENCIAS EN EL TRABAJO DOCENTE
Hay dos formas de comparar los tipos de tareas planteadas: una tarea en la que se pidió a los profesores que
compararan distribuciones (Tareas 1 y 2) versus una tarea en la que se les pidió que examinaran las relaciones entre
atributos (Tarea 3); o una tarea en la que los profesores respondieron una pregunta que se les planteó (Tarea 1) frente a una
tarea en la que los profesores plantearon su propia pregunta de interés (Tareas 2 y 3). Este último tipo de
45
La comparación también separa los datos por tecnología, uso de TinkerPlots (Tarea 1) versus uso de Fathom (Tareas 2 y 3).
Primero informaremos algunas tendencias generales en los resultados y luego usaremos estas comparaciones como lente para
discutir las diferencias observadas en la colección de trabajos de los docentes (n=62). Las comparaciones entre grupos se
realizaron utilizando la prueba t de Student con varianzas no agrupadas para examinar la diferencia en
medio.
5.1. TENDENCIAS GENERALES
Hubo una gran variabilidad en el número de representaciones creadas por los profesores en todas las tareas, y la mayoría
de los informes (90%) utilizaron entre una y ocho representaciones, como lo demuestra el número de capturas de pantalla incluidas
en su informe o el número de representaciones visibles en su Fathom. archivo.
Sin embargo, hubo varios informes (18%) que utilizaron 11, 12 o 13 representaciones, y un profesor que utilizó 18 representaciones,
un claro caso atípico.
Con diferencia, la representación gráfica más común utilizada por los profesores fue un diagrama de caja. En conjunto, a lo
largo de los 62 informes, los maestros crearon 81 diagramas de caja dobles o múltiples (más de un diagrama de caja apilado en
una sola ventana gráfica) y 12 diagramas de caja simple. El siguiente gráfico más utilizado fue un diagrama de puntos, ya sea
doble o múltiple (n=31) o simple (n=26). No es sorprendente que la mayor parte del uso de diagramas de puntos y de cajas por
parte de los profesores se encontrara en los documentos de las Tarea 1 y 2, y se utilizara apropiadamente para comparar
distribuciones. Estas representaciones fueron enfatizadas en Lee et al. (2010) y son gráficos comúnmente utilizados para comparar
distribuciones. Los diagramas de dispersión se crearon casi exclusivamente en respuesta a la Tarea 3, aunque algunos profesores
(n=3) los usaron en la Tarea 2 para responder preguntas sobre relaciones (a pesar de que el mensaje de la tarea les pedía que
compararan distribuciones). Tres profesores utilizaron gráficos agrupados, un gráfico bidimensional de dos atributos que agrupan
datos en celdas en TinkerPlots, para la Tarea 1. En general, los profesores utilizaron en su mayoría representaciones apropiadas
para las preguntas que estaban realizando. Así, habían logrado la capacidad de utilizar la tecnología para generar gráficos que
fueran útiles para su investigación.
En la mayoría de los informes (73%), los profesores utilizaron sólo uno o dos tipos distintos de representaciones. Esto
significa que incluso si estaban explorando diferentes atributos en un conjunto de datos, limitaron su forma de examinar las
distribuciones a un tipo de representación, más comúnmente un diagrama de caja, o dos representaciones, más comúnmente un
diagrama de caja y un diagrama de puntos. Este patrón indica que tal vez los docentes no tengan las habilidades para utilizar
múltiples formas de representar datos, o no vean la necesidad de hacerlo, incluso si la tecnología pudiera generar fácilmente
dichos gráficos. Este patrón también puede estar relacionado con las actividades del aula al implementar los materiales (Lee et
al., 2010) en las que se introdujeron otras representaciones (p. ej., gráficos de barras, histogramas, diagramas agrupados) pero el
énfasis estaba en diagramas de puntos y diagramas de cajas. El patrón fue ligeramente diferente entre tareas y tecnologías, como
se analizará más adelante.
En sólo el 40% de los informes los profesores proporcionaron evidencia de vinculación, dinámica o estática, entre sus
representaciones de datos, generalmente entre dos representaciones, y solo el 29% de los que utilizaron capacidades de
vinculación dinámica. El uso más común de los enlaces dinámicos era coordinar un único gráfico con una tarjeta de datos o una
tabla de datos para conocer detalles sobre un caso de interés específico.
Algunos profesores utilizaron enlaces dinámicos para observar un intervalo de datos mostrados en dos representaciones gráficas
y hacer afirmaciones sobre las relaciones. En todas las tareas, los informes de varios profesores indicaron el uso de enlaces
estáticos para comparar tendencias en gráficos de diferentes atributos a lo largo de los ciclos.
A menudo esto ocurría hacia el final de su proceso de resolución de problemas, cuando los profesores reflexionaban sobre su
trabajo y tomaban una decisión final.
Después de vincular un gráfico con una medida numérica (por ejemplo, en una tabla de resumen) o vincular dos gráficos (por
ejemplo, hacer clic en una región en un histograma y ver los mismos casos resaltados en otro histograma), los profesores deben
participar en otro nivel. de análisis. Específicamente, los profesores deben ver los datos vinculados, darles sentido y sacar
conclusiones sobre su significado. Por el contrario, si vinculan un solo caso en un gráfico a una tabla o tarjeta de datos (ocho en
TinkerPlots y dos en Fathom de la Tarea 2) para descubrir "cuál" fue el caso especial, a menudo hay casos de sentido contextual
como intentan explicar qué puede tener de especial el caso, pero hay poco o ningún significado estadístico adicional después de
la acción de vinculación (por ejemplo, véase el trabajo de un profesor en la Figura 10). Al considerar los casos de profesores que
vinculan dos o más gráficos o un gráfico con una tabla resumen, ya sea dinámica o estática, su análisis implicó mucho más
sentido estadístico.
46
En general, los profesores utilizaron algún tipo de aumento gráfico en el 77% de los informes. Un poco más de la
mitad del trabajo de los profesores indicó que habían agregado medidas estadísticas a sus gráficos (63%) o agregado
otros tipos de aumentos a sus gráficos (53%). Los profesores utilizaron aumentos para mejorar las formas en que
analizaban los datos (transnumeración) y para considerar varios aspectos de las distribuciones para respaldar sus
afirmaciones. Hubo 12 documentos en nuestra muestra (19%) donde se utilizaron acciones transnumerativas para
examinar un subconjunto de datos. En seis de estos documentos, el profesor primero utilizó enlaces dinámicos para
conocer un caso especial y luego eliminó ese caso del gráfico. En estos casos, la acción de vinculación para un caso
especial generó un sentido adicional al considerar el impacto que las distribuciones y medidas estadísticas podrían
tener al eliminar esos casos.
Los profesores que vincularon dinámicamente representaciones (29% de los informes) tendieron también a
aumentar un gráfico de alguna manera (83% de los que vincularon dinámicamente las tres tareas). Específicamente,
en el 61% de los documentos, los profesores que utilizaron enlaces dinámicos agregaron medidas estadísticas a los
gráficos, y el 61% de ellos utilizó otros tipos de aumentos gráficos. Sin embargo, en la mayoría de los informes (77%),
los profesores que no vincularon representaciones o solo vincularon representaciones estáticamente también utilizaron
algún tipo de aumento para un gráfico.
Así, en general, los profesores tendieron a utilizar representaciones apropiadas para la pregunta que estaban
investigando y a utilizar medidas estadísticas y aumentos gráficos para respaldar su trabajo. Sólo ocasionalmente
utilizaron enlaces dinámicos que pudimos inferir de sus informes escritos. Un pequeño número de nuestros profesores
también utilizó técnicas más avanzadas para examinar un subconjunto de datos y crear estadísticas definidas por el
usuario y atributos personalizados que deseaban examinar.
5.2. COMPARAR DISTRIBUCIONES VERSUS EXAMINAR RELACIONES
La importancia de involucrar a los docentes en diferentes tipos de tareas no es una recomendación nueva.
Pfannkuch y BenZvi (2011) enfatizan que para los docentes, “aprender a ser un detective de datos preguntándose si
algunos factores podrían explicar las diferencias entre dos grupos o si existe una relación entre dos variables es parte
del aprendizaje del juego de la estadística” ( pág.328). En nuestro trabajo, nos preguntamos si había diferencias en la
forma en que los profesores usaban las representaciones en el software estadístico dinámico como parte de su trabajo
de “detección de datos”. Los profesores que trabajaron en las Tareas 1 y 2 fueron clasificados como profesores que
trabajaron en una tarea que les exigía comparar distribuciones (n=37). Los profesores que trabajaron en la Tarea 3
(n=25) fueron clasificados como aquellos que trabajaron en una tarea que les exigía analizar relaciones. Encontramos
algunas diferencias significativas al comparar a los profesores que trabajaron en la tarea de comparar distribución
(CD) con los que trabajaron en la tarea de analizar relaciones (AR). Los profesores que trabajaron en una tarea de CD
tendieron a utilizar más aumentos gráficos (agregando medidas estadísticas y otras mejoras) que aquellos que
realizaron la tarea de AR (p=0,014). Sin embargo, cuando consideramos el uso de medidas estadísticas u otros tipos
de aumentos gráficos (por ejemplo, líneas de referencia, adición de color, gráficos residuales) por separado, los
profesores de CD siempre usaron más de cada tipo de aumento, pero no significativamente más (p=0,078, p=0,49,
respectivamente). No hubo diferencias entre estos grupos en la tendencia a utilizar enlaces dinámicos, y alrededor del
30% de los profesores que exploraron cada tipo de tarea informaron el uso de enlaces dinámicos. Sin embargo, de los
12 profesores que examinaron un subconjunto de datos, 11 de ellos estaban trabajando en una tarea de CD. Por lo
tanto, parece que comparar tareas de distribución puede prestarse más al uso de acciones transnumerativas para
aumentar gráficos y examinar subconjuntos.
Entre los docentes que elaboraron los 37 informes analizados para las Tareas 1 y 2, no hubo diferencias notables
en el número total de representaciones utilizadas en su trabajo. Sin embargo, los profesores que trabajaron en tareas
de RA tendieron a utilizar tipos de representaciones más singulares en su trabajo, aunque no significativamente más
(p=0,056). Los profesores que trabajaron en una tarea de CD utilizaron muchos diagramas de puntos y diagramas de
caja. Quienes trabajaron en la tarea de RA utilizaron una variedad mucho más amplia de representaciones en su trabajo.
Esto se discutirá con más detalle cuando consideremos más a fondo las tecnologías utilizadas, ya que esta diferencia
también está fuertemente influenciada por los muchos profesores en la Tarea 1 que solo usaron un tipo de
representación en su trabajo en la tarea CD.
En la tarea de AR, los profesores que vincularon representaciones tendieron a examinar las propensiones del
grupo. Podría ser que la tarea de buscar relaciones facilitara el uso de vinculaciones y fomentara la
47
examen de las propensiones grupales. Aunque la vinculación realizada en las tareas de CD no pareció ayudar a los
docentes en el análisis de las propensiones grupales, fue un vehículo para ayudarlos a pasar de una visión agregada de
los datos a una visión individual y, a menudo, los llevó a participar en análisis más profundos. examinando subconjuntos.
Sin embargo, en las tareas de CD, el uso de aumentos gráficos por parte de los profesores pareció respaldar sus
afirmaciones sobre las propensiones grupales. Los investigadores han afirmado que las tareas que implican la
comparación de distribuciones pueden facilitar a los profesores y estudiantes la visualización de los datos como un
agregado y mejorar su capacidad para discutir las propensiones grupales (por ejemplo, Konold & Higgins, 2003; Konold
& Pollatsek, 2002; McClain, 2008). Nuestros hallazgos sugieren que cuando los profesores se dedican a comparar tareas
de distribución, el uso de herramientas de aumento, más que el uso de capacidades de vinculación dentro de los
entornos de software, puede respaldar este movimiento hacia el examen de las propensiones del grupo.
5.3. RESPONDER LA PREGUNTA DADA CON TINKERPLOTS VERSUS POSEAR LA PROPIA

PREGUNTA CON BRAZA
Muchos investigadores se centraron en lo importante que es para profesores y estudiantes plantear sus propias
preguntas sobre los datos (por ejemplo, Arnold, 2009; Makar & Confrey, 2008; Pfannkuch & BenZvi, 2011).
Así, nos preguntamos si había diferencias en el trabajo de los docentes al explorar sus propias preguntas versus una
que les había sido planteada. Los informes de los profesores sobre la Tarea 1 con TinkerPlots (exploración de una
pregunta planteada previamente) incluyeron en su mayoría solo un tipo único de representación (18 de 25), y los casos
restantes utilizaron dos tipos distintos de representaciones (7 de 25). Fue mucho más común que los profesores usaran
entre tres y cinco tipos distintos de representaciones en Fathom, 67% y 32% para las Tareas 2 y 3 respectivamente.
Hubo un caso atípico en la Tarea 3 que utilizó siete tipos diferentes de representaciones. De hecho, los profesores que
trabajaron en Fathom en su propia pregunta utilizaron tipos de representaciones significativamente más singulares en
su trabajo (p<0,001). Para investigar una cuestión de interés en Fathom, muchos profesores utilizaron una tabla resumen
(75% en la Tarea 2 y 36% en la Tarea 3), una representación disponible en Fathom pero no en TinkerPlots, que puede
usarse para generar medidas estadísticas específicas. El simple hecho de tener la opción adicional de una tabla resumen
en Fathom puede explicar parcialmente las diferencias entre el uso de representaciones únicas por parte de los
profesores.
Aunque muchos profesores que completaron la Tarea 1 utilizaron un gráfico por ciclo de investigación trabajando
en TinkerPlots, los profesores que investigaron su propia pregunta en las Tareas 2 y 3 en Fathom normalmente utilizaron
más de una representación por ciclo. En particular, en la Tarea 3 se utilizó una variedad mucho más amplia de
representaciones gráficas (diagramas de caja simples y diagramas de puntos, diagramas de cajas dobles y diagramas
de puntos, histogramas, diagramas de dispersión) para responder a preguntas sobre relaciones entre atributos, y casi
siempre, los profesores que trabajaron en la Tarea 3 utilizó más de una representación por ciclo.
De los profesores que trabajaron en su propia pregunta en Fathom, siete utilizaron un número elevado de
representaciones (de 8 a 18). Cuatro de estos profesores presentaron su trabajo en un archivo Fathom; el único caso
atípico claro del grupo que utilizó 18 representaciones lo hizo en un documento de Word. Por lo tanto, aunque parece
probable que el uso de Fathom como entorno de análisis e informes pueda brindar una mejor comprensión de todas las
representaciones creadas y utilizadas por los docentes, los datos que analizamos no apuntan directamente a tal
tendencia. Sin embargo, sospechamos que al informar el trabajo en un documento separado con capturas de pantalla,
es posible que los docentes no informen todas las representaciones utilizadas o todas las formas en que interactuaron
con esas representaciones (como los enlaces).
Los profesores que utilizaron TinkerPlots agregaron significativamente más aumentos gráficos de todo tipo a sus
gráficos que los que trabajaron en Fathom (p=0,015). Cuando consideramos el uso de tipos únicos de aumentos, los
profesores que utilizaron TinkerPlots tendieron a agregar un poco más de tipos de medidas estadísticas y un poco más
de otros tipos de aumentos (p. ej., línea de referencia, sombreado, cambio de color/icono, etc.) a sus gráficos. ; sin
embargo, las diferencias no fueron significativas al compararlas con quienes trabajaron con su propia pregunta utilizando
Fathom (p=0,23 y p=0,062, respectivamente). Es interesante observar que estos resultados son similares si consideramos
más detenidamente el tipo de pregunta que respondía el profesor.
En la Tarea 1, la pregunta planteada fue muy amplia (“¿En qué región quieres enseñar?”). Cuando los profesores
plantearon sus propias preguntas en las Tarea 2 y 3, algunas todavía eran "amplias", mientras que otras se consideraban
más "precisas". Todos los profesores trabajaron en una pregunta amplia en la Tarea 1 (n=25) y la mayoría de las Tarea
2 y 3 fueron precisas (25 de 37). No hubo diferencias significativas entre el uso de los docentes
48
diversas representaciones y el tipo de pregunta que se explora (amplia o precisa). Por ejemplo, para cada tipo de
pregunta, los profesores utilizaron enlaces dinámicos en aproximadamente el 30% de los informes. Sin embargo, los
profesores que trabajaron en preguntas amplias agregaron significativamente más aumentos de todo tipo a sus
gráficos (p<0,001). Cuando consideramos los tipos únicos de medidas estadísticas u otros tipos de aumentos
utilizados, no encontramos diferencias significativas entre los grupos. Curiosamente, 11 de los 12 profesores que
examinaron un subconjunto de datos buscaban una pregunta amplia.
Así, en general, los profesores que utilizaron Fathom utilizaron más representaciones en su trabajo, siendo casi
todas apropiadas para los datos y la pregunta planteadas. Sin embargo, los profesores que utilizaron TinkerPlots
utilizaron muchos más aumentos gráficos y, de nuevo, casi todos los aumentos se consideraron apropiados.
Ambas tendencias pueden explicarse parcialmente por las posibilidades disponibles en cada software. Fathom tiene
más tipos de representaciones que son relativamente fáciles de generar; TinkerPlots tiene una barra de herramientas
de fácil acceso que facilita la adición de aumentos gráficos, incluidas medidas estadísticas.
Los profesores que plantearon preguntas amplias utilizaron muchos más tipos de aumentos gráficos y eran más
propensos a examinar un subconjunto de datos. Por lo tanto, plantear preguntas amplias puede generar más
oportunidades para que los docentes utilicen la tecnología para participar en más tipos de actividades de transnumeración.
Debido a que estas acciones casi siempre se realizaron de manera adecuada, es probable que un maestro estuviera
usando (o desarrollando) su conocimiento estadístico investigando estas preguntas generales.
5.4. LIMITACIONES
Dada la naturaleza dinámica de Fathom y TinkerPlots y el énfasis en los materiales curriculares (Lee et al.,
2010) en el uso de representaciones y aumentos vinculados dinámicamente, fue algo sorprendente que tan pocas
de las respuestas de los profesores proporcionaran evidencia de vínculos dinámicos o estáticos. entre
representaciones. Reconocemos, sin embargo, que la falta de evidencia de vinculación no significa que los docentes
no participaron en esta actividad. Más bien, significa que no proporcionaron evidencia en el informe de su trabajo
que pudiera usarse para inferir que se había producido el vínculo. Por ejemplo, cuando codificamos una instancia de
vinculación estática, es muy posible que, aunque el informe escrito no indicara ninguna interacción tecnológica con
las representaciones, el maestro pudo haber participado en actividades de vinculación dinámica, pero informó de
maneras que sólo podían codificarse. como enlace estático. Por lo tanto, una limitación de nuestro estudio es que
necesitábamos inferir el uso de enlaces por parte de los profesores basándose en informes escritos sobre su
resolución de problemas dentro del entorno estadístico dinámico.
Otra limitación es que la muestra de documentos analizados puede no ser representativa de todos los que se
recopilaron. Ciertamente, es posible que haya habido usos muy interesantes de la tecnología que no hemos
capturado en nuestro análisis. Sin embargo, creemos que hacer el muestreo aleatorio estratificado según la tarea y
si el trabajo parecía ser corto o largo ayudó a nuestra confianza de que probablemente estábamos capturando una
amplia gama de enfoques de los docentes y el uso de la tecnología a partir de nuestros datos recopilados.
Tomamos la decisión temprana de cegar los datos de no prestar atención a las características del maestro, tales
como prospectivo o en ejercicio, enfoque en el nivel de grado (primaria, intermedia, secundaria), o si estaban en una
clase que completó muchos más capítulos en Lee et al. Alabama. (2010) materiales (por ejemplo, un maestro que
completó la Tarea y también había estudiado material de capítulos anteriores y tuvo oportunidades de completar la
Tarea 1 o 2). Por lo tanto, una codificación cuidadosa de los documentos para reflejar estas diversas características
permitiría un análisis más profundo según las características. Por ejemplo, puede haber o no una diferencia en la
forma en que los futuros profesores de primaria utilizaron las diversas características del software estadístico
dinámico que aquellos que se preparaban para ser profesores de secundaria o preparatoria.
Por un lado, recopilar y analizar documentos escritos hizo que las cosas fueran mucho más manejables en
múltiples instituciones. Sin embargo, reconocemos que esto no nos da una imagen completa de todo el proceso de
resolución de problemas estadísticos de los profesores. El uso de software de captura de pantalla permitiría una
comprensión mucho más precisa y completa de cómo los profesores interactúan con el software.
6. IMPLICACIONES
Queremos subrayar que la muestra de docentes en este estudio incluyó una variedad de docentes, en su
mayoría futuros docentes con algunos docentes en ejercicio, de una variedad de instituciones. Sin embargo, todos
los profesores estaban aprendiendo a utilizar software estadístico dinámico por primera vez para comprender
49
conceptos estadísticos. Por lo tanto, este estudio interinstitucional puede respaldar tendencias más fuertes en el trabajo de
los docentes de lo que puede afirmarse en cualquier contexto singular. Este enfoque interinstitucional puede ayudar a hacer
avanzar el campo de investigación en educación matemática y estadística con respecto a cuestiones de importancia.
Esta investigación interinstitucional requiere una gestión de la recopilación y el análisis de datos diferente a la de un
contexto singular. Se dedicó mucho tiempo a: (1) involucrar a los instructores en el uso de los materiales, (2) administrar el
proceso de recopilación de datos (múltiples solicitudes de la Junta de Revisión Institucional, cargar documentos en servidores
seguros, cegar todos los documentos) y (3) crear iterativamente un instrumento de codificación, codificación, desarrollo de
medidas de TIR y discusión colectiva para llegar a acuerdos sobre códigos.
Dada la amplia variedad de profesores de nuestra muestra, aún surgieron patrones interesantes en los documentos.
Los profesores que plantearon su propia pregunta, en comparación con los que recibieron una pregunta, tendieron a utilizar
EDA más sofisticada ya que estos profesores incluían representaciones más apropiadas y más de una representación por
ciclo de investigación. Sin embargo, responder a preguntas amplias no pareció mejorar el uso de nuevas representaciones
por parte de los profesores, pero sí pareció respaldar el uso de aumentos más gráficos, incluida la superposición de
estadísticas en gráficos y el análisis de un subconjunto de datos. Estas actividades transnumerativas alentaron a los docentes
a profundizar en su análisis de datos (es decir, participar en más ciclos de investigación) y dieron como resultado que la
mayoría de los docentes establecieran conexiones importantes con el contexto de los datos y afirmaciones respaldadas
adecuadamente. Por lo tanto, nuestro hallazgo respalda la recomendación de Pfannkuch y BenZvi (2011) de que “el énfasis
debe estar en que los profesores planteen sus propias preguntas sobre los datos, los interroguen y aprendan nueva
información sobre el mundo real a partir de los datos” (p. 328) y que herramientas como TinkerPlots y Fathom pueden
respaldar dicha interrogación de datos.
Si los programas de preparación docente quieren involucrar a los docentes en experiencias que potencialmente podrían
desarrollar sus TSK y SK, entonces estas experiencias deberían permitirles explorar preguntas amplias con conjuntos de
datos multivariados y plantear sus propias preguntas que inviten a la EDA. Además, se debe alentar a los docentes a
aprovechar las posibilidades del software estadístico dinámico con especial atención a las acciones transnumerativas,
seguido de discusiones explícitas sobre cómo tipos específicos de transnumeraciones pueden respaldar la interrogación y
las afirmaciones de datos. Esto no significa que los profesores deban explorar sólo preguntas amplias, ya que las preguntas
precisas pueden conducir al uso de la tecnología de maneras apropiadas y específicas que pueden resaltar aspectos de los
datos para una pregunta con un objetivo preciso. Sugerimos además que los profesores se beneficiarían al examinar
ejemplos del trabajo de los estudiantes en ambos tipos de preguntas y utilizar diversas acciones transnumerativas que
podrían permitir discusiones explícitas sobre cómo desarrollar el SK y el TSK de los estudiantes. Estos ejemplos se incluyen
en informes sobre el trabajo de los estudiantes con herramientas estadísticas dinámicas (por ejemplo, Biehler et al., 2013;
Hammerman & Rubin, 2004) y podrían usarse en contextos de formación docente.
Nuestro marco rector se centró en SK y TSK de los profesores, con atención específica a sus actividades de
transnumeración. Incluso a través de la transnumeración es un elemento de SK en el marco original (Figura 1), cuando los
profesores trabajan en un entorno habilitado por la tecnología, su uso del poder computacional para generar gráficos y
medidas y la capacidad de explorar datos a través de diversas técnicas de visualización (por ejemplo, , enlaces dinámicos,
aumentos gráficos) pueden aprovechar y desarrollar simultáneamente sus TSK y SK. Descubrimos que había muchas
maneras en que los profesores utilizaban la tecnología para respaldar la transnumeración adecuada de datos que ampliaban
las actividades manuales descritas por Chick (2004). Específicamente, hemos identificado siete acciones transnumerativas
que se utilizaron en el trabajo de nuestros docentes y que parecían utilizar TSK de maneras que podían permitir el uso o
desarrollo de aspectos específicos de SK (Tabla 3).
Nuestra sugerencia final de esta investigación es que los diseñadores de la próxima generación de herramientas de
software estadístico dinámico deben aumentar la facilidad con la que se pueden utilizar medidas estadísticas y otros
aumentos dentro de las representaciones gráficas. Además, las acciones necesarias para realizar algunas de las actividades
transnumerativas de nuestra lista anterior deben ser más accesibles dentro de la interfaz de usuario. Algunas de estas
acciones (por ejemplo, agregar un filtro) solo son accesibles a través de menús cuando se selecciona un gráfico. Dado que
examinar un subconjunto de datos parece ser una acción muy útil en una investigación estadística, los medios para hacerlo
deberían ser más fácilmente accesibles.
50
Tabla 3. Posibilidades de acciones transnumerativas con software estadístico dinámico
Acción transnumerativa Posibilidad de acción para

utilizar o desarrollar conocimientos estadísticos.
superponer medidas estadísticas en un ayudar a examinar la relación entre la medida y una distribución, en
gráfico de una distribución particular la coordinación del centro y la extensión
cambiar los iconos de las cajas a un color ayudar a examinar las relaciones entre dos o tres atributos dentro
o forma diferente de un solo gráfico, lo que mejora el análisis exploratorio de
datos
crear y utilizar medidas estadísticas ayudar a interrogar datos con un enfoque o propósito intencional
definidas por el usuario (p. ej., durante el análisis exploratorio de datos
media+desvestándar)
vincular casos entre ayudar a examinar subconjuntos de casos y su ubicación en múltiples

representaciones representaciones (ya sea con los mismos atributos o con atributos
diferentes), lo que facilita el examen de variaciones, relaciones y tendencias
en el análisis de datos exploratorios.
calcular proporciones y recuentos para ayudar a hacer afirmaciones sobre la variación en el agregado y dentro
subregiones de una distribución de subconjuntos de datos,
eliminar casos individuales o filtrar ayudar a examinar rápidamente un subconjunto de datos con un
datos según algunos criterios enfoque o propósito intencional durante el análisis de datos
exploratorios
crear nuevos atributos a partir de ayudar en la capacidad de plantear preguntas durante el análisis
los existentes exploratorio de datos al reutilizar atributos para examinar algo
nuevo (por ejemplo, crear un nuevo atributo de la diferencia entre
dos atributos, como la eficiencia de millas por galón en la ciudad y la
carretera)
Los profesores que recién estaban aprendiendo a utilizar software estadístico dinámico mostraron formas prometedoras de
interactuar con representaciones para interrogar datos. Muchos mostraron evidencia de desarrollar y aplicar su conocimiento
estadístico y tecnológico que nosotros y otros (por ejemplo, Pratt et al., 2011) planteamos como hipótesis puede tener una influencia
positiva en su conocimiento tecnológico, pedagógico, estadístico y sus prácticas de enseñanza; Probar esa hipótesis es un estudio
para otro día.
EXPRESIONES DE GRATITUD
La investigación aquí reportada cuenta con el apoyo parcial de la Fundación Nacional de Ciencias (DUE 0442319, 0817253 y
1123001). Las opiniones aquí expresadas son de los autores y no de la fundación. Gracias a las siguientes personas por su valioso
trabajo como parte del equipo de investigación: Karen Hollebrands, Tina Starling, Marggie González y Tyler Pulis.
REFERENCIAS
Ainsworth, SE (1999). Una taxonomía funcional de múltiples representaciones. Computadoras y Educación,

33(2/3), 131–152.
51
Arnold, P. (2009). Contexto y su papel en el planteamiento de preguntas de investigación. Trabajo presentado en la Sexta
Conferencia de la Colaboración Internacional para la Investigación sobre el Pensamiento y la Alfabetización del
Razonamiento Estadístico, Brisbane, Australia.
Biehler, R., BenZvi, D., Bakkar, A. y Makar, K. (2013). Tecnología para mejorar el razonamiento estadístico a nivel escolar.
En MA (Ken) Clements, AJ Bishop, C. Keitel, J. Kilpatrick, FK
S. Leung (Eds.), Tercer manual internacional de educación matemática (págs. 643–689). Nueva York: Springer.
Chance, B., BenZvi, D., Garfield, J. y Medina, E. (2007). El papel de la tecnología en la mejora del aprendizaje de la
estadística por parte de los estudiantes. Innovaciones tecnológicas en la educación estadística, 1(1), 1–26.
[En línea: http://repositories.cdlib.org/uclastat/cts/tise/vol1/iss1/art2/ ]
Polluelo, HL (2004). Herramientas para la transnumeración: primeras etapas en el arte de la representación de datos. En yo.
Putt, R. Faragher y M. McLean (Eds.), Educación matemática para el tercer milenio: hacia 2010. Actas de la vigésima
séptima conferencia anual del Grupo de investigación en educación matemática de Australasia (págs. 167174). Sídney:
MERGA.
[En línea: http://www.merga.net.au/documents/RP182004.pdf ]
Cobb, P., Yackel E. y Wood, T. (1992). Una alternativa constructivista a la visión representacional de la mente en la
educación matemática. Revista de investigación en educación matemática, 23 (1), 2–33.
Doerr, H. y Jacob, B. (2011). Investigar la comprensión estadística de los profesores de secundaria. En Actas del Séptimo
Congreso de la Sociedad Europea para la Investigación en Educación Matemática, Rzeszów, Polonia.
[En línea: www.cerme7.univ.rzeszow.pl/ ]

Duval, R. (2006). Un análisis cognitivo de los problemas de comprensión en el aprendizaje de las matemáticas.
Estudios educativos en matemáticas, 61 (1/2), 103–131.
Finzer, W. (2000). Diseño de Fathom, un entorno estadístico dinámico, para la enseñanza de las matemáticas. Trabajo
presentado en la Conferencia Internacional sobre Educación Matemática.
Copenhague, Dinamarca.
[En línea: www.keypress.com/documents/fathom/Presentations/ICME00.pdf ]
Finzer, W. (2002). Software Fathom Dynamic DataTM (Versión 2.1). [Software de ordenador].
Emeryville, CA: Key Curriculum Press.
Hammerman, JK y Rubin, A. (2004). Estrategias para gestionar la complejidad estadística con nuevos
herramientas de software. Revista de investigación en educación estadística, 3(2), 17–39.
[En línea: http://iaseweb.org/documents/SERJ/SERJ3(2)_Hammerman_Rubin.pdf ]
Konold, C. y Pollatsek, A. (2002). Análisis de datos como búsqueda de señales en procesos ruidosos. Diario
para la investigación en educación matemática, 33 (4), 259–289.
Konold, C. y Higgins, T. (2003). Razonamiento sobre datos. En J. Kilpatrick, WG Martin y D. Schifter (Eds.), Un complemento
de investigación de principios y estándares para las matemáticas escolares (págs. 196215).
Reston, VA: Consejo Nacional de Profesores de Matemáticas.
Konold, C. y Miller, CD (2005). TinkerPlots® Exploración dinámica de datos [Software informático].
Emeryville, CA: Key Curriculum Press.
Lee, HS y Hollebrands, K. (2008). Prepararse para enseñar matemáticas con tecnología: un enfoque integrado para
desarrollar el conocimiento del contenido pedagógico tecnológico. Cuestiones contemporáneas en tecnología y
formación docente, 8 (4).
[En línea: http://www.citejournal.org/vol8/iss4/mathematics/article1.cfm ]
Lee, HS, Hollebrands, KF y Wilson, PH (2010). Preparación para enseñar matemáticas con tecnología: un enfoque integrado
para el análisis de datos y la probabilidad. Dubuque, IA: Editores de Kendall Hunt.
Lee, HS, Driskell, SO, Harper, SR, Leatham, KR, Kersaint, G. y Angotti, RL (2011).
Uso de representaciones por parte de futuros profesores en la resolución de tareas estadísticas con software estadístico
dinámico. En LR Wiest & T. Lamberg (Eds.), Actas de la trigésima tercera reunión anual del capítulo norteamericano del
Grupo Internacional para la Psicología en la Educación Matemática (págs. 268275). Reno, Nevada: Universidad de
Nevada.
Lee, HS y Hollebrands, KF (2011). Caracterizar y desarrollar el conocimiento de los docentes para la enseñanza de la
estadística. En C. Batanero, G. Burrill y C. Reading (Eds.), Enseñanza de la estadística en la escuela
52
Matemáticas Desafíos para la enseñanza y la formación docente: un estudio conjunto ICME/IASE (pp.
359–369). Nueva York: Springer.
Lee, HS, Kersaint, G., Harper, S., Driskell, SO y Leatham, K. (2012). Resolución de problemas estadísticos de
profesores con tecnología dinámica: resultados de investigaciones en múltiples instituciones.
Problemas contemporáneos en tecnología y formación docente 12 (3).
[En línea: http://www.citejournal.org/vol12/iss3/mathematics/article1.cfm ]
Makar, K. y Confrey, J. (2008). Software estadístico dinámico: ¿cómo lo utilizan los alumnos para realizar
investigaciones basadas en datos? Actas del Estudio Conjunto del ICMI/IASE (Monterrey, México).
[En línea: www.ugr.es/~icmi/iase_study/Makar_ICMI17.pdf ]
McClain, K. y Cobb, P. (2001). Apoyar la capacidad de los estudiantes para razonar sobre los datos. Estudios
educativos en matemáticas, 45(13), 103–129.
McClain, K. (2008). La evolución de la comprensión de la distribución por parte de los profesores. En C. Batanero, G.
Burrill, C. Reading y A. Rossman (Eds.), Estudio conjunto ICMI/IASE: Enseñanza de estadística en matemáticas
escolares: desafíos para la enseñanza y la formación docente. Actas del Estudio ICMI 18 y Conferencia de Mesa
Redonda de 2008, Monterrey, México: Comisión Internacional de Instrucción de Matemáticas y Asociación
Internacional para la Educación Estadística.
[En línea: http://iaseweb.org/documents/papers/rt2008/T2P8_McClain.pdf ]
MeletiouMavrotheris, M., Paparistodemou, E. y Stylianou, D. (2009). Mejora de la enseñanza de estadística en las
escuelas primarias: integración de la tecnología en el desarrollo profesional. El entusiasta de las matemáticas de
Montana, 6(1 y 2), 57–78.
Millas, MB y Huberman, AM (1994). Análisis de datos cualitativos: un libro de consulta ampliado (segundo
ed.). Thousand Oaks, CA: Publicaciones SAGE.
Patton, MQ (2002). Métodos de investigación y evaluación cualitativa (3ª ed.). Thousand Oaks, CA: Sage Publications,
Inc.
Pfannkuch, M. (2008). Formar docentes para desarrollar el pensamiento estadístico. En C. Batanero, G. Burrill, C.
Reading y A. Rossman (Eds.), Estudio conjunto ICMI/IASE: Enseñanza de estadística en matemáticas escolares.
Retos para la docencia y la formación docente. Actas del estudio ICMI 18 y la mesa redonda IASE de 2008.
Monterrey, México: Comisión Internacional para la Instrucción de Matemáticas y Asociación Internacional para la
Educación Estadística.
[En línea: http://iaseweb.org/documents/papers/rt2008/T4P2_Pfannkuch.pdf ]
Pfannkuch, M. y BenZvi, D. (2011). Desarrollar el pensamiento estadístico de los profesores. En C. Batanero, G.
Burrill y C. Reading (Eds.), Enseñanza de estadística en matemáticas escolares: desafíos para la enseñanza y
la formación docente: un estudio conjunto ICMI/IASE (págs. 323–333). Nueva York: Springer.
Pfannkuch, M. y Wild, C. (2004). Hacia una comprensión del pensamiento estadístico. En D. BenZvi y J. Garfield
(Eds.), El desafío de desarrollar la alfabetización, el razonamiento y el pensamiento estadístico (págs.
79–95). Dordrecht, Países Bajos: Kluwer Academic Publishers.
Pratt, D., Davies, N. y Connor, D. (2011). El papel de la tecnología en la enseñanza y el aprendizaje de la estadística.
En C. Batanero, G. Burrill y C. Reading (Eds.), Enseñanza de la estadística en las matemáticas escolares:
desafíos para la enseñanza y la formación docente: un estudio conjunto ICMI/IASE (págs. 97107). Nueva York:
Springer.
Strauss, A. y Corbin, J. (1990). Básicos de la investigación cualitativa: Procedimientos de teoría fundamentada y
técnicas. Thousand Oaks, CA: Publicaciones SAGE.
Salvaje, C. y Pfannkuch, M. (1999). Pensamiento estadístico en la investigación empírica (con discusión).
Revista estadística internacional, 67(3), 223–265.
HOLLYLYNNE S. LEE
Universidad Estatal de Carolina
del Norte 502
Poe Hall Campus
Box 780 Raleigh, NC 27695

Software Estadística Dinámica5 Al Resolver Tareas Estadísticas Con

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Software Estadística Dinámica5 Al Resolver Tareas Estadísticas Con

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

USO DE LA TRANSNUMERACIÓN POR PARTE DE LOS DOCENTES

KWAKU ADU­GYAMFI Universidad

Statistics Education Research Journal, 13(1), 25­52, http://iase­web.org/Publications.php?p=SERJ

2. CONSTRUIR Y CONSTRUIR A PARTIR DE LA LITERATURA

2.1. REPRESENTACIÓN DE DATOS EN SOFTWARE ESTADÍSTICO DINÁMICO

2.3. MARCO CONCEPTUAL

Figura 1. Componentes del Conocimiento Estadístico Pedagógico Tecnológico.

3.1. CONTEXTO Y TAREAS

Tabla 1. Tareas de investigación

Tarea tal como se plantea en los materiales

Tarea 2 Explore varios de los atributos del conjunto de datos de vehículos de

Tarea 3 Explore varios de los atributos del conjunto de datos de vehículos de

3.2. SOFTWARE UTILIZADO

Figura 2. Representación de tarjetas de datos en TinkerPlots.

Figura 3. Representaciones gráficas de separación y apilamiento en TinkerPlots.

Figura 4. Representación de la tabla de datos en Fathom.

3.3. DATOS RECOLECTADOS

3.4. PROCEDIMIENTOS DE ANÁLISIS

Tabla 2. Diseño de muestra aleatoria estratificada

Tarea 1 Tarea 2 Tarea 3

Corto Largo Total Corto Largo Total Corto Largo Total

Total de documentos recopilados 52 50 102 12 29 41 38 66 104

Muestra aleatoria estratificada 13 12 25 4 8 12 9 16 25

4.1. CODIFICACIÓN PARA TRANSNUMERACIONES HABILITADAS POR TECNOLOGÍA

Figura 7. Ampliación de un gráfico en TinkerPlots.

Figura 8. Aumento de un diagrama de dispersión en Fathom.

Figura 9. Vinculación dinámica de dos representaciones gráficas en Fathom.

“El siguiente atributo que miré fue el

Figura 11. Enlaces estáticos en TinkerPlots para coordinar representaciones.

Figura 12. El trabajo de un profesor para examinar un subconjunto de datos.

Trabajar con representaciones gráficas: aumentos gráficos y examen de subconjuntos.

Trabajar con representaciones gráficas: aumentos gráficos y examen de subconjuntos.

4.5. USO DE ACCIONES TRANSNUMERATIVAS POR PARTE DE LOS DOCENTES

Figura 15. Diagrama de dispersión en Fathom con aumentos mostrados.

5. DISCUSIÓN DE TENDENCIAS EN EL TRABAJO DOCENTE

5.1. TENDENCIAS GENERALES

5.2. COMPARAR DISTRIBUCIONES VERSUS EXAMINAR RELACIONES

5.3. RESPONDER LA PREGUNTA DADA CON TINKERPLOTS VERSUS POSEAR LA PROPIA

Tabla 3. Posibilidades de acciones transnumerativas con software estadístico dinámico

Acción transnumerativa Posibilidad de acción para

vincular casos entre ayudar a examinar subconjuntos de casos y su ubicación en múltiples

Ainsworth, SE (1999). Una taxonomía funcional de múltiples representaciones. Computadoras y Educación,

[En línea: www.cerme7.univ.rzeszow.pl/ ]

También podría gustarte

KWAKU ADUGYAMFI Universidad

Statistics Education Research Journal, 13(1), 2552, http://iaseweb.org/Publications.php?p=SERJ