Ecologías de aprendizaje y motivación del profesorado universitario de Ciencias de la Salud

Autores/as

DOI:

https://doi.org/10.5944/educxx1.28660

Palabras clave:

Motivación docente, perfiles motivacionales docentes, educación superior, ciencias de la salud, análisis de clases latentes, ecologías de aprendizaje

Agencias Financiadoras:

Ministerio de Economía, Industria y Competitividad

Resumen

El presente trabajo pretende profundizar en el estudio de uno de los componentes clave que conforman la Dimensión Personal de las Ecologías de Aprendizaje de los docentes universitarios de Ciencias de la Salud: la motivación para la enseñanza. Este es un tópico escasamente explorado en el ámbito de la Educación Superior, a pesar de que constituye un elemento que influye poderosamente en la calidad del proceso de enseñanza-aprendizaje. En consecuencia, desde una perspectiva centrada en la persona, el objetivo de este estudio gira en torno a la identificación de perfiles motivacionales docentes a partir de la combinación de dos orientaciones motivacionales (motivación centrada en el rendimiento y motivación orientada hacia el dominio). La metodología empleada ha sido de corte cuantitativo mediante encuesta, a través de un diseño exploratorio. La muestra está compuesta por 416 docentes universitarios de Ciencias de la Salud, pertenecientes a 37 universidades españolas. Por medio de la técnica de Análisis de Clases Latentes, se identificaron tres perfiles motivacionales docentes: a) Perfil Motivado; b) Perfil Moderadamente Motivado; y C) Perfil Desmotivado. En el primero de ellos se agrupan aquellos docentes que muestran niveles altos de motivación orientada hacia el dominio y niveles moderados de motivación orientada hacia el rendimiento. Este perfil está compuesto por más de la mitad del total de la muestra. El segundo perfil se identifica con el profesorado que presenta niveles motivacionales moderadamente altos, aunque a diferencia del primero, predominan los motivos vinculados al rendimiento. Finalmente, el tercer grupo, integra a los docentes que muestran niveles muy bajos en ambas orientaciones motivacionales. Estos resultados retratan un panorama halagüeño, aunque potencialmente perfectible. Las implicaciones de este estudio se orientan al diseño y generación de itinerarios formativos más ajustados a las necesidades y características del profesorado al que se dirigen.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Iris Estévez, Universidade da Coruña

Doctora por la Universidade da Coruña y contratada postdoctoral FPI en el Departamento de Pedagogía y Didáctica de la Facultad de Ciencias de la Educación de la misma universidad. Su tesis doctoral se denomina “Ecologías de Aprendizaje de los docentes universitarios de Ciencias de la Salud”. Ha realizado dos estancias de investigación internacionales, la última de ellas en la Kennesaw State University (USA). Además, es miembro de Equipo de Investigación Educativa (EIRA) de la Universidade da Coruña

Alba Souto-Seijo, Universidade da Coruña

Graduada en Educación Infantil y profesora en la Universidad Internacional de la Rioja. Actualmente está desarrollando su tesis doctoral que se basa en el estudio de las Ecologías de Aprendizaje de los docentes universitarios de la rama de conocimiento de Ingeniería y Arquitectura. Ha realizado una estancia de investigación en el Institute of Learning & Teaching in Higher Education (University of Northampton, Reino Unido). Asimismo, es miembro de Equipo de Investigación Educativa (EIRA) de la Universidade da Coruña.

Mercedes González-Sanmamed, Universidade da Coruña

Profesora Catedrática de la Universidad de A Coruña (España). Doctora en Ciencias da Educación con Premio Extraordinario de Licenciatura y de Doctorado. Ha sido también directora del Centro Universitario de Formación e Innovación Educativa (CUFIE) en la UDC (2000-2004). Tiene concedidos 4 tramos de investigación por la CNEAI. Dirige el grupo de investigación EIRA. Su área de investigación se concentra en la formación de profesorado, la integración de las tecnologías en la educación, y la innovación y la mejora educativa. En estos campos ha participado en 40 proyectos competitivos y contratos de investigación a nivel internacional, nacional y autonómico, de los cuales en 9 de ellos ha sido IP y en 7 coordinadora. Ha dirigido 15 tesis doctorales. Es autora de más de doscientas publicaciones (77 en revistas indexadas y 22 libros) y ha participado en numerosas conferencias y ponencias en congresos y reuniones científicas tanto nacionales como internacionales. Ha trabajado en diversas comisiones de evaluación en programas de ANECA, ACSUG, ANEP y AGAUR. Forma parte del consejo editorial de varias revistas.

Antonio Valle, Universidade da Coruña

Catedrático de Psicología de la Educación de la Universidad de A Coruña (España). Doctor en Psicopedagogía por la Universidad de A Coruña. Fundador de la Asociación Gallega de Psicopedagogía y de la Revista Gallega de Psicopedagogía, forma parte de varios consejos editoriales de revistas científicas y es coordinador del Grupo de Investigación en Psicología Educativa (GIPED) de la Universidad de A Coruña, reconocido como grupo de potencial crecimiento dentro del Programa de Consolidación y Estructuración de Unidades de Investigación Competitivas (Consellería de Cultura, Educación e Ordenación Universitaria. Xunta de Galicia). Además, es autor de más de un centenar de artículos publicados en revistas científicas, de los cuales más de cuarenta lo están en revistas indexadas en JCR. También ha participado en la última década en nueve proyectos de investigación competitivos, ha dirigido siete tesis doctorales, es coautor de doce libros y ha presentado más de noventa comunicaciones y ponencias a congresos nacionales e internacionales. Ha formado parte de varios comités de evaluación de diversos organismos como la ANEP, la ANECA, la Agencia Andaluza de Evaluación y la ACSUG (Agencia para la Calidad del Sistema Universitario de Galicia).

Citas

Akaike, H. (1974). A new look at the statistical model identification. En E. Parzen, K. Tanabe & G. Kitagawa (Eds.), Selected Papers of Hirotugu Akaike. Springer Series in Statistics (pp. 716-723). Springer. https:// doi.org/10.1007/978-1-4612-1694-0_16

Barron, B. (2006). Interest and self-sustained learning as catalysts of development: A learning ecology perspective. Human Development, 49(4), 193–224. https://doi. org/10.1159/000094368

Bray, B. C., & Dziak, J. J. (2018). Commentary on latent class, latent profile, and latent transition analysis for characterizing individual differences in learning. Learning and Individual Differences, 66, 105-110. https://doi. org/10.1016/j.lindif.2018.06.001

Caballero, K., & Bolívar, A. (2015). El profesorado universitario como docente: hacia una identidad profesional que integre docencia e investigación. REDU. Revista de Docencia Universitaria, 13(1), 57–77. https://bit.ly/318J5m3

Castellano-Ramos, C. (2018). Los pensamientos de los profesores universitarios de ciencias de la salud. Concepciones sobre enseñanza y aprendizaje. Palobra, 18, 116-133. https:// bit.ly/3k6jSiL

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2ª Ed.). Erlbaum.

Collins, L. M., & Lanza, S. T. (2010). Latent class and latent transition analysis: With applications in the social, behavioural, and health sciences. Wiley. https://doi. org/10.1002/9780470567333

Daumiller, M., Stupnisky, R., & Janke, S. (2020). Motivation of higher education faculty: Theoretical approaches, empirical evidence, and future directions. International Journal of Educational Research, 99, 1–6. https:// doi.org/10.1016/j.ijer.2019.101502

Esdar, W., Gorges, J., & Wild, E. (2016). The role of basic need satisfaction for junior academics’ goal conflicts and teaching motivation. Higher Education, 72(2), 175–190. https://doi.org/10.1007/ s10734-015-9944-0

Finney, S. J., & DiStefano, C. (2006). Nonnormal and categorical data in structural equation modeling. In G. R. Hancock & R. O. Mueller (Eds.), Structural equation modeling: A second course (pp. 269–314). IAP Information Age Publishing.

Gill, J. (2002). Bayesian methods: A social and behavioural sciences approach. CRC Press.

González‐Sanmamed, M., Muñoz‐Carril, P. C., & Santos‐Caamaño, F. (2019). Key components of learning ecologies: A Delphi assessment. British Journal of Educational Technology, 50(4), 1–17. https://doi.org/10.1111/bjet.12805

González-Sanmamed, M., Sangrà, A., Souto-Seijo, A., & Estévez, I. (2020). Learning ecologies in the digital era: challenges for higher education. Publicaciones, 50(1), 83–102. https://doi.org/10.30827/publicaciones.v50i1.15671

Han, J., & Yin, H. (2016). Teacher motivation: Definition, research development and implications for teachers. Cogent Education, 3(1). https:// doi.org/10.1080/2331186X.2016.1217819

Hipp, J. R., & Bauer, D. J. (2006). Local solutions in the estimation of growth mixture models. Psychological Methods, 11(1), 36–53. https://doi. org/10.1037/1082-989X.11.1.36

Jackson, N. (2013). The Concept of Learning Ecologies. En N. Jackson &

G. B. Cooper (Eds.), Lifewide Learning Education and Personal Development (pp. 1-21). https://bit.ly/2Bujbi1

Lechuga, V. M., & Lechuga, D. C. (2012). Faculty motivation and scholarly work: Self-determination and self-regulation perspectives. Journal of the Professoriate, 6(2), 59-97. https://bit.ly/3djik2o

Lo, Y., Mendell, N. R., & Rubin, D. B. (2001). Testing the number of components in anormal mixture. Biometrika, 88(3), 767-778. https://doi. org/10.1093/biomet/88.3.767

McMullen, J., Van Hoof, J., Degrande, T., Verschaffel, L., & Van Dooren, W. (2018). Profiles of rational number knowledge in Finnish and Flemish students–A multigroup latent class analysis. Learning and Individual Differences, 66, 70-77. https://doi.org/10.1016/j. lindif.2018.02.005

Ministerio de Universidades (2019). Sistema Integrado de Información Universitaria (SIIU). Madrid.

Monroy, L., Vidal, R., & Saade, A. (2010). Análisis de clases latentes. Una técnica para detectar heterogeneidad en poblaciones. Cuaderno técnico, 2. Centro Nacional de Evaluación para la Educación Superior, A.C.

Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation Study. Structural Equation Modeling: A Multidisciplinary Journal, 14(4), 535–569. https://doi.org/10.1080/10705510701575396

Padilla, M.A., & Thompson, J. N. (2016). Burning out faculty at doctoral research universities. Stress and Health, 32(5), 551-558. https://doi.org/10.1002/smi.2661

Rao, M. B. (2016). Motivation of teachers in higher education. Journal of Applied Research in Higher Education, 8(4), 469-

https://doi.org/10.1108/JARHE-08- 2015-0066

Richardson, P. W., Karabenick, S. A., & Watt, H. M. G. (2014). Teacher Motivation: Theory and Practice. Routledge.

Rodríguez, S., Núñez, J. C., Valle, A., Blas, R., & Rosario, P. (2009). Auto-eficacia docente, motivación del profesor y estrategias de enseñanza. Escritos de Psicología, 3(1), 1–7. https://bit. ly/2NjVBqP

Ryan, R. M., & Deci, E. L. (2000). Intrinsic and extrinsic motivations: Classic definitions and new directions. Contemporary Educational Psychology, 25, 54–97.

Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860. https://doi. org/10.1016/j.cedpsych.2020.101860

Schunk, D. H., Pintrich, P. R., & Meece, J. L. (2008). Motivation in education: Theory, research, and applications. Pearson Education.

Schwartz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. https://doi. org/10.1214/aos/1176344136

Siemens, G. (2007). Connectivism: creating a learning ecology in distributed environments. En T. Hug (Ed.), Didactics of microlearning: Concepts, discourses and examples (pp. 53–68). Waxmann.

Stupnisky, R., BrckaLorenz, A., Yuhas, B., & Guay, F. (2018). Faculty members’ motivation for teaching and best practices: Testing a model based on self- determination theory across institution types. Contemporary Educational Psychology, 53, 15-26. https://doi.org/10.1016/j.cedpsych.2018.01.004

Suárez, M. J., & Martín, J. D. (2019). Influencia del perfil sociodemográfico del profesorado universitario sobre la inteligencia emocional y el burnout. Educación XX1, 22(2), 93-117. https:// doi.org/10.5944/educXX1.22514

Susacasa, S. (2013). Pedagogía médica: soporte de la formación docente específica para la enseñanza de las Ciencias de la Salud [Tesis doctoral, Universidad Nacional de la Plata]. https://bit. ly/3lYkc3B

van Lankveld, T., Schoonenboom, J., Volman, M., Croiset, G., & Beishuizen, J. (2017). Developing a teacher identity in the university context: a systematic review of the literature. Higher Education Research & Development, 36(2), 325–342. https://doi.org/10.1080/07294360.2016.1 208154

van den Berg, B.A.M., Bakker, A.B., & ten Cate, T.J. (2013). Key factors in work engagement and job motivation of teaching faculty at a university medical centre. Perspectives on Medical Education, 2, 264–275. https://doi. org/10.1007/s40037-013-0080-1

Visser-Wijnveen, G. J., Stes, A., & Van Petegem, P. (2014). Clustering teachers’ motivations for teaching. Teaching in Higher Education, 19(6), 644-656. https:// doi.org/10.1080/13562517.2014.901953

Watt, H. M. G., & Richardson, P. W. (2020). Motivation of higher education faculty: (how) it matters! International Journal of Educational Research, 100, 101533. https://doi.org/10.1016/j.ijer.2020.101533

Wosnitza, M., Helker, K., & Lohbeck, L. (2014). Teaching goals of early career university teachers in Germany. International Journal of Educational Research, 65, 90–103. ttps://doi.org/10.1016/j.ijer.2013.09.009

Zabalza, M. A., Zabalza, M. A., y de Côrte, M. I. (2018). Identidad profesional del profesorado universitario. En I. Cantón & M. Tardiff (Eds.), Identidad profesional docente (pp. 141– 157). Narcea.

Publicado

2021-05-13

Número

Sección

Estudios