AGENDA Desempeño de hombres y mujeres en ámbitos matemáticos Los efectos directos e indirectos del sexismo sobre el desepeño Nuestro modelo Panorama general.

Presentación del tema: "AGENDA Desempeño de hombres y mujeres en ámbitos matemáticos Los efectos directos e indirectos del sexismo sobre el desepeño Nuestro modelo Panorama general."— Transcripción de la presentación:

1

2 AGENDA Desempeño de hombres y mujeres en ámbitos matemáticos Los efectos directos e indirectos del sexismo sobre el desepeño Nuestro modelo Panorama general de los estudios Resultados Tareas pendientes

3 DESEMPEÑO DE MUJERES EN CONTEXTOS MATEMÁTICOS EN CR UCR: Diferencias en respuestas correctas del componente de matemáticas de la PAA, 49.40 para hombres vs 38.88 para mujeres, en escala 0-100. Esta diferencia se considera muy relevante, representando un 50% de la desviacion estándar del grupo total (tamaño de efecto). Tendencias similares se han detectado en años posteriores (Montero & Villalobos, 2004) TEC: Diferencias estadísticamente significativas (con un nivel de confianza del 95%) a favor de los varones en el componente de Matemática en las convocatorias 2010, 2011 y 2012 de 49, 40 y 46 puntos respectivamente (en escala 200-800) (Moreira 2014). UNA: Diferencias ligeramente a favor de los hombres en la Prueba de Diagnóstico Matemático de la Escuela de Matemática de la UNA en los años 2010, 2011 y 2013 de.75, 1.24 y 2.5 puntos respetivamente (en escala 0-10), con ps de 0,04, 0,05 y 0,001, respectivamente (Zamora, 2013).

4 Historicamente, los hombres han presentado mejores resultados en las pruebas de rendimiento (habilidades y destrezas cognitivas); mientras que las mujeres han tendido a obtener mejores resultados en las calificaciones de las clases y cursos. Estas brechas han disminuido notablmente en los últimos años, pero persisten marcadas diferencias de género en las actitudes académicas, particularmente en lo que refiere a las carreras STEM. Hyde, Fennema & Lamon (1990) Else-Quest, Hyde, & Linn (2010) Voyer & Voyer (2014) DESEMPEÑO DE MUJERES EN CONTEXTOS MATEMÁTICOS: Resultados meta-analíticos

5 ¿POR QUÉ? ALGUNAS HIPÓTESIS Diferencias en habilidades espaciales Greater Male Variability Hypothesis Diferencias en la cantidad de cursos especializados que toman hombres y mujeres Ansiedad ante la matemática Utilidad percibida de la matemática Autoeficacia matemática Estereotipos de género en contextos matemáticos (Amenaza del Estereotipo) Ideologías sexistas “El Álgebra no es más que Geometría y la Geometría no es más que Álgebra abstracta”. Sophie Germain

6 PUNTO DE PARTIDA Los sistemas de creencias sexistas y los estereotipos de género pueden afectar la autoeficacia matemática y por ende el rendimiento académico de las mujeres en contextos matemáticos.

7 Inferioridad de la mujer, división tradicional de roles Sanción explícita de esas conductas Desvanecimiento de expresiones hostiles abiertas Transformación a formas más complejas y sutiles Menos como odio y más como resentimiento La antipatía coexiste con el paternalismo benevolente encasillando a las mujeres sutilmente en posiciones de subordinación VIEJOS Y NUEVOS SEXISMOS: “Plus ça change, plus c'est pareil” Swim et al. (1995) Tougas et al. (1995) Glick & Fiske (1997)

8 HOSTILIDAD BENEVOLENCIA Visión negativa de las mujeres como deseosas de obtener poder sobre los hombres. Visión paternalista de las mujeres, proteccionista y afectuosa, concibiéndolas como criaturas maravillosas, pero débiles. Se dirige hacia las mujeres que amenazan el estatus quo y no se adhieren a los roles tradicionales Recompensa a las mujeres que se ajustan a los roles tradicionales (subordinadas al hombre) SEXISMO AMBIVALENTE “El Látigo y la zanahoria” Glick & Fiske (1997)

9 La presencia de estereotipos que cuestionan las habilidades de ciertos grupos sociales representa una “presión extra” para los miembros de esos grupos, precisamente cuando se encuentran en situaciones en dónde tales habilidades deben ser expresadas en el máximo nivel de ejecución y esta “presión extra” interfiere en la motivación, interés y el rendimiento mismo. Spencer, Steele & Quinn, 1999 Osborne, 2010 Inzlicht & Schmader, 2012 LA AMENAZA DEL ESTEREOTIPO: “ Es más fácil desintegrar un átomo que un prejuicio” (Albert Einstein)

10 AUTOEFICACIA MATEMÁTICA “Defiende tu derecho a pensar, porque incluso pensar de manera errónea es mejor que no pensar” (Hipatia de Alejandría) Owens, 2015

11 Self-Efficacy, Motivation Constructs, and Mathematics Performance of Entering Middle School Students Pajares & Graham (1999)

12 Stereotype internalization and women’s math performance: The role of interference in working memory Bonnot & Croizet (2007)

13 Mars, Venus, or Earth? Sexism and the Exaggeration of Psychological Gender Differences Zell, Strickhouser, Lane & Teeter (2016)

14 Insidious Dangers of Benevolent Sexism: Consequences for Women’s Performance Dardenne, Dumont & Bollier (2007)

15 Ideologías Sexistas hostiles Equidad en Contextos matemáticos Desempeño en contextos matemáticos *e e* D* e* 1.0 * * - * * * Seguridad en contextos matemático s e* 1.0 * * + D* 1.0 Habilidades generales de razonamiento Ideologías Sexistas benevolenes *e 1.0 * * e* 1.0 * * - e* 1.0 * e* 1.0 * SH1 SH2 SH3 SB1 SB2 SB3 + PAA BACH PRF1 PRF2 PRF3 PRF4 Eq1 Eq2Eq3Eq4Seg1Seg 2 Seg 3 Seg4 * e* 1.0 e* 1.0 e* 1.0 e* 1.0 e* 1.0 NUESTRO MODELO

16 Estudios N Marzo 2014 215 Estudiantes colegios GAM (piloto) Marzo 2014 240 Estudiantes UCR, TEC, UNA (piloto) Agosto 2014 905 Estudiantes UCR, TEC, UNA Marzo 2015 920 Estudiantes colegios GAM LOS ESTUDIOS *** *** Encuesta *** Cuestionario autoaplicado

17 OPERACIONALIZACIÓN HABILIDADES GENERALES DE RAZONAMIENTO Número de correctas en la Prueba de Razonamiento con Figuras (PRF) IDEOLOGÍAS, CREENCIAS, ESTEREOTIPOS Y VARIABLES AFECTIVAS*** Escalas de Sexismo Hostil y Sexismo Benevolente Escala de Equidad en Contextos Matemáticos Escala de Autoeficacia Matemática DESEMPEÑO EN CONTEXTOS MATEMÁTICOS Porcentaje de correctas del componente de matemática de las PAAs UCR/TEC Porcentaje de correctas en el examen de bachillerato MEP ***Escala de respuesta tipo Likert de 5 puntos

18 PRF PROGRAMA DE PRUEBAS ESPECÍFICAS/IIP

19 HOSTILIDADPATERNALISMO “Las mujeres exageran los problemas que tienen en el trabajo” “Las mujeres se caracterizan por una pureza que pocos hombres poseen” “Las mujeres buscan ganar poder manipulando a los hombres” “Una buena mujer debería ser puesta en un pedestal por su hombre” “Las mujeres se ofenden fácilmente” “Una mujer está incompleta sin un hombre a su lado” IDEOLOGÍAS SEXISTAS HOSTILES Y BENEVOLENTES Fiske & Glick (1996)

20 “Las mujeres son tan buenas como los hombres en cálculo” “Para resolver problemas matemáticos importantes, confiaría en una mujer tanto como confiaría en un hombre” “Los hombres disfrutan la matemática tanto como las mujeres” “Ser bueno en matemática es tan natural para los hombres como para las mujeres” EQUIDAD DE GENERO EN CONTEXTOS MATEMÁTICOS Fennema & Sherman (1976)

21 “Estoy seguro/a de que puedo aprender matemática” “No soy el tipo de persona a la que le va bien en matemáticas” “No soy bueno/a en matemática” “Estoy seguro de mí mismo/a cuando resuelvo ejercicios matemáticos” AUTOEFICACIA MATEMATICA Fennema & Sherman (1976)

22 MATE PAA BaseIDNombrePrimer Ap.Segundo Ap. SexoEdadCédulaN° correctas mate (sin exp) Porcentaje de correctas Mate 201312DrexlerMoraCruz1191159306651860,00 201321RojasMarinMayra119604220703930,00 201329MarlonAlfaroSancho11720761058830100,00 201231JoséSanchoMora1191157708402686,67 IDNOMBREPRIMER_APSEGUNDO_APCÉDULASEXOEDADNOTA_PREEXAM_MAT 1KennethValverdeBemudez11640047111831,7375 2MartaElizondoGuevara11581067721936,5270 3DanielaMenesesCoto30495047021832,9673,33 4Jean CarloRojasCob20738023611933,7163,33 MATE BACHILLERATO

23 ESTRATEGIA DE ANÁLISIS SEM: Especificación, Identificación, Estimación de los Parámetros, Evaluación del ajuste del modelo original y deL modelo alternativo. SUBMUESTRAS: Colegialas Universitarias en general Universitarias en carraras de alto contenido matemático (agroalimentarias, ingenierías y ciencias básicas) MÉTODO: Máxima Verosimilitud SOFTWARE: Lisrel 9.2.

24 ESTADÍSTICAS DESCRIPTIVAS COLEGIALAS (N = 262) UNIVERSITARIAS (N = 306) UNIVERSITARIAS Ingenierías, Ciencias Básica y Agroalimentarias (N = 128) INDICADORES (Ítems) (parcelas) MINMAXMDE αMINMAXMDE αMINMAXMDE α PRF (17) (4) 010061.7620.64.75 5.8810076.2617.50.73 35.2910080.9913.21.56 HOSTIL (11) (3) 14.702.77.72.75 14.452.48.69.77 14.182.59.61.72 BENEVOLENTE (10) (3) 14.702.59.68.73 152.41.75.79 14.102.41.72.76 EQUIDAD (4) 154.34.82.76 154.60.61.68 254.65.52.59 AUTOEFICACIA (11) (3) 153.70.83.91 153.81.87.92 1.5854.02.76.92 MATE-PAA 109037.6016.13.52 1010052.0519.37.78 16.6796.6 7 58.7917.36.71 MATE-BACH 309562.3213.1438.310076.9814.2648.381.31 12.6 8 Nota. Alfas de Cronbach de las parcelas o indicadores

25 ESTADÍSTICAS DESCRIPTIVAS COLEGIALAS (N = 262) UNIVERSITARIAS (N = 306) UNIVERSITARIAS Ingenierías, Ciencias Básica y Agroalimentarias (N = 128) INDICADORES (Ítems) (parcelas) MDE αM αM α PRF (17) (4) 61.7620.64.7576.2617.50.7380.9913.21.56 HOSTIL (11) (3) 2.77.72.752.48.69.772.59.61.72 BENEVOLENTE (10) (3) 2.59.68.732.41.75.792.41.72.76 EQUIDAD (4) 4.34.82.764.60.61.684.65.52.59 AUTOEFICACIA (11) (3) 3.70.83.913.81.87.924.02.76.92 MATE-PAA37.6016.13.52 52.0519.37.78 58.7917.36.71 MATE-BACH62.3213.1476.9814.2681.3112.68 Nota. Alfas de Cronbach de las parcelas o indicadores

26 EFECTOS INDIRECTOS DE LAS IDEOLOGÍAS SEXISTAS (MODELO ORIGINAL)

27 COLEGIALAS (N = 262)

28 UNIVERSITARIAS TODAS LAS CARRERAS (N = 306 )

29 UNIVERSITARIAS EN CARRERAS CON ALTA DEMANDA DE CONTENIDOS MATEMÁTICOS (n = 128 )

30 INDICES DE AJUSTE DEL MODELO ORIGINAL χ 2 (gl = 156) p AIC*BIC*CFINFIGF I AGFIRMSEA90% CI RMSEA COLEGIALAS195.14.01812666.95412859.645.98.93.91.03.0136 - 0439 UNIVERSITARIAS197.8.01313438.77813639.852.99.94.92.03.0144 -.0414 UNIVERSITARIAS + MATE 210.07.0025280.9295434.938.95.85.86.82.05.0320 -.0694 NOTA. * LISREL calcula AIC = 2t - 2ln(L) y BIC = tln(N)- 2ln(L)

31 EFECTOS DIRECTOS DE LAS IDEOLOGÍAS SEXISTAS MODELO ALTERNATIVO

32 COLEGIALAS (n = 262)

33 UNIVERSITARIAS TODAS LAS CARRERAS (N = 306 )

34 UNIVERSITARIAS EN CARRERAS CON ALTA DEMANDA DE CONTENIDOS MATEMÁTICOS (n = 128 )

35 INDICES DE AJUSTE DEL MODELO ALTERNATIVO χ 2 (gl = 154) p AIC*BIC*CFINFIGF I AGFIRMSEA90% CI RMSEA COLEGIALAS189.49.02712665.30012865.127.99.93.94.91.03.0107 - 0430 UNIVERSITARIAS190.08.02513434.97513643.495.99.95.94.92.03.0104 -.0399 UNIVERSITARIAS + MATE 204.99.00 4 5279.5445439.258.96.86.87.82.05.0300 -.0684 NOTA. * LISREL calcula AIC = 2t - 2ln(L) y BIC = tln(N)- 2ln(L)

36 TAREAS PENDIENTES 1.PROFINDIZAR EN LOS ANALISIS DE LOS EFECTOS DIRECTOS DEL SEXISMO SOBRE EL RENDIMIENTO EN JOVENES UNIVERSITARIAS 2.REPLICACIONES 3.ESTUDIO CUALITATIVO 4.ESTUDIO LONGITUDINAL 5.PUBLICACIONES 1.PROFINDIZAR EN LOS ANALISIS DE LOS EFECTOS DIRECTOS DEL SEXISMO SOBRE EL RENDIMIENTO EN JOVENES UNIVERSITARIAS 2.REPLICACIONES 3.ESTUDIO CUALITATIVO 4.ESTUDIO LONGITUDINAL 5.PUBLICACIONES

37 GRACIAS Sharling Hernández Sandra Gutiérrez Canny Llamas Paula Apú Sofía Rodríguez Esteban Ruiz José Alberto Guillen Valeria Castillo Julio Romero Mari Carmen Méndez Francisco Villalobos Danny Cerdas Luis Rojas Guaner Rojas María Paul Villareal Karen Castro Pablo Mena Lilliam Mora