Impacto del entorno de resolución de problemas de Fermi en la complejidad y flexibilidad de las estrategias de maestros en formación
Las competencias en resolución de problemas y de modelización son centrales en el currículo de Matemáticas. Los problemas de Fermi son idóneos para que los estudiantes desarrollen estas competencias, pues presentan situaciones reales y abiertas que promueven, por un lado, la inclusión de suposición...
| Autores: | , , |
|---|---|
| Tipo de recurso: | artículo |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Autònoma de Barcelona |
| Repositorio: | Dipòsit Digital de Documents de la UAB |
| Idioma: | español |
| OAI Identifier: | oai:ddd.uab.cat:312515 |
| Acceso en línea: | https://ddd.uab.cat/record/312515 https://dx.doi.org/urn:doi:10.18172/con.6480 |
| Access Level: | acceso abierto |
| Palabra clave: | Resolución de problemas Modelización matemática Problemas de Fermi Entornos de resolución ChatGPT Problem solving Mathematical modelling Fermi problems Solving environments |
| Sumario: | Las competencias en resolución de problemas y de modelización son centrales en el currículo de Matemáticas. Los problemas de Fermi son idóneos para que los estudiantes desarrollen estas competencias, pues presentan situaciones reales y abiertas que promueven, por un lado, la inclusión de suposición realistas que aumentan la complejidad de las soluciones, y por otro, la flexibilidad en el uso de varias estrategias. Sin embargo, los docentes de Primaria no introducen estos problemas en sus aulas, y tienen dificultades para resolverlos satisfactoriamente. Nuestro propósito es conocer qué entorno de resolución es más eficaz para que los futuros maestros/as desarrollen estrategias complejas y las usen de manera flexible a lo largo de una secuencia de problemas de Fermi. Para ello, presentamos un estudio cuasi experimental con tres entornos de resolución: 55 futuros maestros resuelven problemas de Fermi en el aula, evocando la situación; 41 futuros maestros los resuelven experimentando en el lugar real de los problemas; y 41 futuros maestros los resuelven interrogando a ChatGPT. Desde un enfoque de métodos mixtos, analizamos las estrategias completadas, las suposiciones realistas, los tipos de estrategias utilizadas y la flexibilidad de los participantes en cada entorno. Una combinación de análisis de dependencia de variables y de su varianza nos permite comparar la influencia del entorno de resolución en la tasa de estrategias completadas y su nivel de complejidad, así como en cuáles son más utilizadas y en el nivel de flexibilidad de los futuros maestros. Los resultados muestran que, aunque completar una estrategia es accesible para los futuros maestros con independencia del entorno de resolución, sí hay diferencias significativas en la complejidad de esas estrategias según el entorno y también en la flexibilidad. El entorno de experimentación in situ es el más eficaz para desarrollar estas habilidades. |
|---|