Número 49.

Agosto 2022 – Enero 2023

Modelo estructural del rendimiento

académico en matemáticas: Su vinculación
con variables afectivas y cognitivas

Olimpia Isaura Gómez Pérez25 y Benilde García

Cabrero26

Universidad Anáhuac Puebla, Universidad Nacional Autónoma de México

Resumen

Se diseñó un modelo estructural de variables afectivas y cognitivas en el aprendizaje en

matemáticas, para comprender mejor las variables que influyen el rendimiento académi-

co matemático. Participaron 448 estudiantes mexicanos de 3º de secundaria, 51.1%

hombres, entre 13 y 16 años (M=14.03), de diez grupos de dos escuelas públicas del cen-

tro (65.8%) y sur (34.2%) de la CDMX, quienes realizaron una actividad de matemáticas y

respondieron cuestionarios para: emociones, regulación, motivación, autoeficacia y ac-

titudes. Los análisis de regresión y estructurales mostraron que la variable que tuvo

mayor efecto total sobre la calificación en la actividad fue el compromiso (.402, p<.001),

la calificación en el bimestre del estudio (.307, p<.001) y la insistencia (-.263, p<.001). La

frustración tuvo un efecto moderado (-.156, p<.001). Dichas variables explican el 39.4%

de la varianza de la calificación en la actividad de matemáticas, demostrando el impacto

de emociones tanto positivas como negativas en la materia.

25
Correo electrónico: [Link]@[Link]
26
Universidad Nacional Autónoma de México, México. El presente estudio se derivó de estudios de posgrado del Programa de
Doctorado en Psicología, Universidad Nacional Autónoma de México (UNAM), con beca CONACYT número 255404.

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 103

 Número 49. Agosto 2022 – Enero 2023

Palabras clave: Emociones académicas; rendimiento en matemáticas; adolescentes;

medición.

Abstract

A structural model of affective and cognitive variables in mathematics learning was de-

signed to deepen the understanding academic performance in mathematics. 448 Mexi-

can high school students participated, 51.1% men, between 13 and 16 years old (M =

14.03), from ten groups of two public schools in the center (65.8%) and south (34.2%) of

CDMX. They resolved a math activity and answered questionnaires for: emotions, regula-

tion, motivation, self-efficacy and attitudes. The regression and structural analyzes

showed that the variable with the greatest total effect on the grade in the activity was

the commitment (.402, p <.001), followed by the grade in the two-month period of the

study (.307, p < .001), and insistence (-.263, p <.001). Frustration had a moderate effect

(-.156, p <.001). These variables explain 39.4% of the variance of the grade in the mathe-

matics activity, showing the impact of both positive and negative emotions on mathe-

matics academic achievement.

Keywords: Academic emotions; mathematics performance; adolescents; measurement.

Introducción resulta de la interacción entre el aprendiz y su

entorno) (Illeris, 2018). Actualmente, es consi-

El concepto de aprendizaje ha evolucionado junto
derado como un cambio permanente en el sis-
con los avances en la ciencia psicológica en
tema nervioso producto de la experiencia, que
general, y las teorías educativas en particular,
puede observarse a través del comportamiento
pasando por el conductismo (resultado observa-
(Davies, 2017).
ble) (Shunk, 2012), el cognoscitivismo (proceso

interno) (Maldonado, 2015), hasta el construc- Diversos autores concuerdan en que en el

tivismo y socioconstructivsmo (proceso que aprendizaje intervienen factores cognitivos, afec-

104 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

tivos y contextuales (Cruz, 2016), que dan como escolares, y son importantes para una ejecución

resultado cambios duraderos en la conducta de adecuada y un resultado exitoso (Pulido y Herrera,

los aprendices (Miguéns y Pellón, 2014), mismos 2017).

que pueden ser evaluados a través de su des-

Las variables cognitivas se vinculan con los
empeño en una tarea (proceso) y/o mediante el
comportamientos lógicos y organizados; por el
rendimiento alcanzado (resultado), de acuerdo
contrario, los afectos dan como resultado
con determinados estándares (York et al., 2015).
comportamientos no planificados, no pro-

El desempeño puede concebirse como un piamente identificados y que, en su mayoría, no

conjunto de comportamientos que dan cuenta del siguen una lógica determinada, por ejemplo, un

aprendizaje del individuo y que pueden ser estado afectivo eufórico o deprimido (Okon-Singer

observados durante la resolución de una tarea. El et al., 2015).

desempeño difiere del rendimiento fundamental-

A lo largo del tiempo se han desarrollado diferen-
mente porque se enfoca en el proceso a través del
tes teorías y modelos que explican el rendimiento
cual los estudiantes demuestran lo que han
académico a través de la participación de variab-
aprendido, mientras que el rendimiento es el
les afectivas y cognitivas, tanto individuales como
resultado de esa demostración, en función de los
contextuales. Los modelos se diferencian en el
estándares de evaluación, expresado general-
número y tipo de variables que involucran, y en el
mente en cifras numéricas.
peso que otorgan al contexto (situación, tarea,

Históricamente, en el ámbito del aprendizaje, la compañeros, docente) o al estudiante.

cognición y los afectos han estado separados, pri-

Igualmente, se han hecho diferentes clasificacio-
mando un aspecto sobre otro dependiendo de las
nes de las variables individuales, afectivas y cogni-
diferentes perspectivas que se adopten sobre el
tivas, con el propósito de estudiarlas y
aprendizaje, desempeño y rendimiento acadé-
entenderlas mejor. Sin embargo, hoy en día se
micos (Lamas, 2015). Sin embargo, actualmente se
reconoce que hay aspectos cognitivos que influ-
sabe que cognición y afectos se complementan
yen en lo afectivo y viceversa, por lo que la dis-
entre sí durante la realización de las actividades
tinción es difusa, aunque es necesaria para su

estudio (Okon-Singer et al., 2015).

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 105

 Número 49. Agosto 2022 – Enero 2023

Específicamente en matemáticas, las variables mientos y estrategias que se siguen al enfrentarse

cognitivas y afectivas tienen un importante con una tarea académica. Se define como la

impacto en el rendimiento (Garcia, et al., 2021). intención que tiene el estudiante al realizar una

Las principales variables que impactan en el rendi- actividad académica (Dweck y Elliot, 1983) y los

miento son el autoconcepto, la autoeficacia propósitos particulares del estudiante para su

(Hwang et al., 2016) y los conocimientos previos aprendizaje y desempeño, que explican la forma

(Pajares y Miller, 1994; Zarch y Kadivar, 2006), así en la que este se aproxima a una tarea (Ames,

como el interés por la asignatura (Skinner et al., 1992). De acuerdo con Vandewalle et al., (2019),

2008), las actitudes (Sölpük, 2017), las emociones, las orientaciones a la meta son patrones integ-

tanto positivas como negativas (Murayama et al., rados de creencias del estudiante acerca de las

2013; Van der Beek et al., 2017), la regulación razones para involucrarse en una actividad acadé-

emocional (Malmivuori, 2006), y la motivación mica.

(Moenikia y Zahed-Babelan, 2010).

Por su parte, la autoeficacia consiste en un sis-

Dentro de las variables cognitivas más estudiadas tema de creencias sobre las capacidades que un

en relación con el rendimiento académico se individuo percibe en sí mismo para aprender o lle-

encuentran: la autorregulación, tanto académica var a cabo determinadas tareas, que se traducen

(Dent y Koenka, 2016) como emocional (Caballero en pensamientos y acciones (Wentzel y Miele,

et al., 2016); la orientación a la meta (Kayan et al., 2016). La autoeficacia matemática se relaciona

2015), así como las creencias en general (Cleary, con la capacidad percibida del estudiante para

2017), atribucionales (Bausela, 2019), y de auto- alcanzar el resultado correcto en las actividades

eficacia (Salvo-Garrido et al., 2019). En el dominio de matemáticas y para ejecutar adecuadamente

afectivo, las emociones (Pekrun, 2017) y las actitu- los procedimientos necesarios. Una autoeficacia

des (Mazana et al., 2019), han probado tener gran alta se relaciona positivamente con el aprendizaje,

influencia en las calificaciones que los estudiantes el desempeño y el rendimiento y viceversa

obtienen en la materia. (Honicke y Broadbent, 2017).

La orientación a la meta es una variable de índole Otra variable afectiva que ha sido estudiada en

cognitiva, ya que determina la cadena de pensa- relación con el aprendizaje es la regulación emo-

106 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

cional: esfuerzos que hace el individuo, de manera emociones activadoras (como la alegría y la frus-

consciente o inconsciente, para influenciar la tración) y desactivadoras (como el disfrute y el

intensidad y duración de sus emociones, el aburrimiento), que determinan si las respuestas

momento en que surgen, la experiencia que con- son energizantes o no (Peixoto et al., 2017).

llevan y su expresión (Gross, 2015).

El interés ha sido conceptualizado fundamental-

La emoción es una respuesta ante los estímulos mente como una variable afectiva que promueve

del entorno que coordina diferentes sistemas y el acercamiento hacia las tareas; como estado o

tiene como propósito proporcionar información situacional, es decir que cierta actividad o conte-

sobre nuestro contexto y permitirnos influir en el nido resulta placentero para el estudiante; o como

mismo según nuestras necesidades (Scarantino y rasgo, cuando las experiencias previas han des-

De Sousa, 2018). Se compone de un conjunto de arrollado un gusto o agrado por determinadas

sistemas que incluye principalmente: experiencia actividades, que es relativamente permanente e

subjetiva (apreciación de la situación y senti- independiente del contexto en el que se realicen

miento), expresión (facial, corporal, verbal), (Ainley, 2012).

tendencia a la acción (acercamiento vs evitación) y

Las actitudes son disposiciones internas a evaluar
respuestas fisiológicas periféricas, como la
de forma positiva o negativa un objeto o situación
frecuencia cardíaca y la respiración (Tyng et al.,
(Aiken, 2002); esta evaluación se acompaña de
2017).
respuestas y expresiones emocionales, cognitivas

Las emociones determinan cómo interpretamos y conductuales. Las actitudes de los estudiantes

una situación y cómo reaccionamos ante ella. En tienen efecto en su rendimiento académico, ya

el contexto académico, puede decirse que en que determinan el tipo de acercamiento que esta-

general, las emociones positivas resultan en una blecen hacia la tarea: pueden tener disposición a

experiencia placentera y tienen como resultado aprender, a resolverla correctamente; o bien pre-

tendencias de acercamiento y compromiso con las sentar una actitud de rechazo, que se traduce en

actividades; mientras que sucede lo contrario con poco interés y en desvinculación de la actividad.

las emociones negativas (Pekrun et al., 2017).

El interés creciente por el estudio de variables
Además de la valencia (positiva vs negativa), hay
afectivas en relación con el aprendizaje y el rendi-

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 107

 Número 49. Agosto 2022 – Enero 2023

miento, tanto en general como particularmente

en matemáticas, se ha manifestado en la inclusión

Método
de contenidos afectivos tanto en los currículos
Participantes
educativos como en la evaluación en pruebas

nacionales e internacionales. La ONU y la UNESCO 448 estudiantes mexicanos de tercer grado de

han señalado la importancia del aprendizaje secundaria, 51.1% hombres, edades entre 13 y 16
socioemocional (CASEL, 2020) y lo miden desde años (M=14.03), pertenecientes a diez grupos de
hace varios años en pruebas como PISA (Ramos, dos escuelas públicas en el centro (65.8%) y sur
2017; Panizza, 2015). (34.2%) de la Ciudad de México.

A pesar de los esfuerzos, a la fecha sigue siendo

necesario realiza más estudios y diseñar instru- Instrumentos

mentos para medir variables afectivas en el Escala de Actitudes hacia las Matemáticas
contexto académico (García, 2018), así como pro-
(EAM) de Palacios et al. (2014)
poner modelos de relación entre las variables,
4807 estudiantes españoles de entre los 11 y los
que permitan determinar el efecto de unas sobre
23 años, M=14 años; 53% hombres. 31 reactivos
otras, así como el impacto que tienen en el des-
que explican el 59.8% de la varianza con un alfa
empeño y el rendimiento académicos.
de Cronbach de .93. Consta de cuatro subdimen-
En este contexto, el presente estudio se planteó siones: Percepción de la incompetencia
como propósito proponer un modelo estructural matemática (α=.88), Gusto por las matemáticas
del rendimiento académico en matemáticas (α=.92), Percepción de utilidad (α=.67) y Auto-
incorporando variables tanto cognitivas (regu- concepto matemático (α=.67). En el presente estu-
lación emocional, autoeficacia matemática y dio el EAM mostró índices adecuados de
orientación a la meta), como afectivas (emociones, confiabilidad (α=.74) y validez (4 factores, 53.7%
interés y actitudes hacia las matemáticas). v.e.).

108 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Cuestionario de Interés situacional para miento (Fastidio y Desgano). La confiabilidad de

Matemáticas (CISM) las cuatro escalas se ubicó entre .74 y .85; mien-

tras que de las subescalas fue entre .63 y .86. Los

El CISM es una versión en español del Situational
índices de ajuste CFI y TLI de todas las subescalas
Interest Questioannaire (Linnenbrinck-García et
fueron mayores a .995, mientras que el RMSEA se
al., 2010) validado con población hispanoparlante
mantuvo por debajo de .40. Los análisis de discri-
(Pineda, 2017). Para el presente estudio se validó
minación y dificultad a través de la Teoría de
con 129 estudiantes de secundaria de una escuela
Respuesta al Ítem (TRI), indicaron que todas las
diurna pública ubicada en la zona centro de la
subescalas son informativas respecto a su varia-
CDMX, 51.4% mujeres, Medad=14.05 años, DE=.7
ble latente y discriminan entre niveles bajos,
años. El análisis factorial exploratorio arrojó los
medios y altos de las variables.
siguientes índices: KMO=.896 (p=.000), varianza

explicada del 59.84%, alfa de Cronbach total Cuestionario de Regulación Emocional para
de .83, con dos factores denominados Entreteni- Estudiantes Adolescentes (CREEA) (García,
miento (4 reactivos, α=.79) y Utilidad (5 reactivos,
2021)
α=.75).
452 estudiantes de tercer grado de educación
Inventario de Emociones en Tareas secundaria, inscritos en dos escuelas públicas de

Matemáticas (INETAM) de Gómez et al. (2020) la Ciudad de México; 65.9% en una escuela loca-

lizada en el centro de la ciudad y 34.1% en otra

452 estudiantes de tercer grado de educación
ubicada en la zona sur. La edad de los estudiantes
secundaria, inscritos en dos escuelas públicas de
se ubicó entre los 13 y 16 años (M = 14.03; DE
la Ciudad de México; 65.9% en una escuela loca-
= .341), la mitad de ellos eran hombres (53.1%).
lizada en el centro de la ciudad y 34.1% en otra
Está conformado por 24 reactivos que miden las
ubicada en la zona sur. La edad de los estudiantes
seis estrategias de regulación emocional de eva-
se ubicó entre los 13 y 16 años (M = 14.03; DE
sión, pensamiento positivo, reapreciación de
= .341), la mitad de ellos eran hombres (53.1%). Se
logro, rumiación, relajación y prevención. La con-
compone de 35 reactivos que evalúan cuatro
fiabilidad total del instrumento es de α=.84; los
emociones: Entusiasmo (Gozo e Insistencia), Frus-
índices de ajuste CFI y TLI fueron mayores a .90,
tración, Disfrute (Placer y Compromiso) y Aburri-

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 109

 Número 49. Agosto 2022 – Enero 2023

mientras que el RMSEA se mantuvo por debajo de α=.86), Metas de valoración social (6 reactivos,

.40. La calibración de los reactivos a través de la α=.86), y Metas de recompensa (6 reactivos,

TRI, indicó que la gran mayoría de los reactivos α=.83). Sus índices de confiabilidad y validez para

son informativos de las variables latentes en los el presente estudio fueron adecuados (α=.91, tres

niveles bajos, intermedios y altos. factores, 60.8% v.e.).

Cuestionario de Autoeficacia Percibida para Rúbrica de evaluación de la actividad de

Matemáticas (CAPEM) (Gómez et al., 2021) matemáticas

452 estudiantes de tercer grado de educación La rúbrica de evaluación contiene indicadores de

secundaria, inscritos en dos escuelas públicas de desempeño y puntajes para cuatro niveles: nulo,

la Ciudad de México; 65.9% en una escuela loca- insuficiente, bajo, medio y alto, para cada una de

lizada en el centro de la ciudad y 34.1% en otra las cuatro preguntas de matemáticas. Se siguió un

ubicada en la zona sur. La edad de los estudiantes proceso de validación por jueces expertos que

se ubicó entre los 13 y 16 años (M = 14.03; DE permitió clarificar los indicadores y asignar correc-

= .341), la mitad de ellos eran hombres (53.1%). Es tamente los puntajes a cada uno. Asimismo, se

un instrumento unifactorial de 16 reactivos con llevó a cabo un proceso de validez concurrente

un alfa de Cronbach de .90. Los análisis factoriales con la calificación en el bimestre del estudio

exploratorios, confirmatorios y de calibración (r=.421, p<.01).

arrojaron resultados satisfactorios.

Actividad de matemáticas elicitadora de
Cuestionario de Metas Académicas (CMA) de emociones
García et al. (1998)
Se retomó del Fichero de actividades didácticas de

372 estudiantes españoles, incorporados al último Matemáticas de Educación secundaria de la SEP

ciclo de educación primaria y primer ciclo de edu- (2011). Son cuatro preguntas sobre el tema de

cación secundaria, 51.7% hombres. 20 reactivos Fórmulas, y el subtema de Ecuaciones y pro-

que explican el 56.6% de la varianza y tienen una blemas, correspondientes al segundo bimestre de

confiabilidad total de α=.88. Se divide en tres matemáticas del tercer grado.

subescalas: Metas de aprendizaje (8 reactivos,

110 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Procedimiento de recogida y análisis Se llevaron a cabo análisis descriptivos para saber

de datos si podría continuarse con los análisis paramétricos

inferenciales. Posteriormente, se realizaron análi-

Durante las dos últimas semanas de noviembre y
sis inferenciales de correlación entre las variables
las dos primeras de diciembre de 2017, se asistió
del estudio, de regresión entre las variables con
a las escuelas en los horarios delimitados por la
correlaciones significativas de moderadas a altas
dirección. Para participar en el estudio, se requirió
y, finalmente, de modelamiento estructural para
consentimiento firmado por padre, madre o tutor.
conocer la organización y el poder explicativo de
En una sesión se administraron la actividad elici-
las variables en el modelo.
tadora y el Inventario de emociones, y en otras

dos sesiones se administró el resto de los instru-

mentos (interés, regulación emocional, auto- Resultados

eficacia, orientación a la meta y actitudes).
Análisis descriptivo de las variables

Con los datos (sociodemográficos, rúbrica e ins- Los índices de asimetría y curtosis de todas las
trumentos), se construyó una base en SPSS v.24. variables están comprendidos entre -2 y 2, índices
Posteriormente, se realizaron análisis descriptivos considerados adecuados. A excepción de la cali-
para todas las variables, así como de correlacio- ficación en el bimestre del estudio, que tiene una
nes y regresiones en el programa SPSS v.24. El curtosis de -1.297, es decir, tiene un sesgo hacia
modelamiento estructural se llevó a cabo en el los valores altos pues la calificación mínima asig-
programa AMOS a través de un análisis de nada por el docente es 5 (véase tabla 1).
sendero.

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 111

 Número 49. Agosto 2022 – Enero 2023

Tabla 1. Estadísticos descriptivos de las variables del modelo

Variable Mín. Máx. M DE As. Curt.

Calificación actividad .00 7.50 2.81 1.8884 .405 -.804
Calificación bimestre 5.00 10.00 7.60 1.6123 .185 -1.29
Interés Entretenimiento 1.00 4.00 2.54 .5725 -.03 -.191
Utilidad 1.00 4.00 2.94 .6534 -.32 -.279
Entusiasmo Insistencia 1.00 4.00 2.84 .7619 -.48 -.387
Gozo 1.00 4.00 2.09 .6782 .387 -.270
Disfrute Placer 1.00 4.00 2.18 .7368 .259 -.612
Compromiso 1.00 4.00 2.86 .6504 -.23 -.468
Frustración 1.00 3.75 1.88 .5882 .460 -.456
Aburrimiento Fastidio 1.00 4.00 2.19 .7765 .349 -.553
Desgano 1.00 4.00 1.80 .7265 .777 .102
Regulación Pens. Positivo 1.00 4.00 2.83 .7192 -.29 -.444
emocional Relajación 1.00 4.00 2.28 .7284 .259 -.467
Prevención 1.00 4.00 2.74 .6935 -.15 -.271
Reap. Logro 1.00 4.00 2.54 .6603 -.03 -.198
Evasión 1.00 3.80 2.41 .5886 .158 -.280
Rumiación 1.00 4.00 2.59 .7110 .011 -.433
Autoeficacia Matemática 1.37 4.00 2.84 .5032 .048 -.212
Orientación a la V. social 1.00 4.00 2.54 .6938 .070 -.299
meta Aprendizaje 1.13 4.00 2.87 .6800 -.11 -.539
Recompensa 1.60 4.13 3.31 .5838 -.64 -.288
Actitudes Incomp. Mat. 1.00 4.00 2.27 .6266 .150 -.142
Gusto Mat. 1.00 4.00 2.37 .6173 .289 -.027
Autoconc. Mat. 1.33 4.05 3.05 .6208 -.23 -.313
P. de Utilidad 1.00 3.67 1.94 .5633 .527 .580

Correlaciones entre las variables cer la fuerza de las relaciones entre las variables,

tanto con la calificación en la actividad y en el

En la tabla 2 se puede apreciar el análisis de corre-
bimestre, como entre sí.
laciones bivariadas que se llevó a cabo para cono-

112 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Tabla 2. Correlaciones de las variables del estudio con el rendimiento en matemáticas

Calificación en Calificación en el
actividad elicitadora bimestre del
estudio
Calificación en actividad elicitadora 1 .452**
Calificación en el bimestre del estu- .452** 1
dio
Entretenimiento .131** .197**
Utilidad .161** .268**
Insistencia -.120* .102*
Gozo .306** .309**
Placer .276** .303**
Compromiso .433** .360**
Frustración -.362** -.195**
Fastidio -.272** -.290**
Desgano -.319** -.257**
Pensamiento Positivo .009 .117*
Relajación .048 .052
Prevención .023 .081
Reapreciación de Logro .078 .137**
Evasión -.250** -.242**
Rumiación -.005 .100*
Autoeficacia Matemática .327** .379**
Valoración social -.070 .045
Aprendizaje .225** .315**
Recompensa .198** .288**
Nota. *=p<.05, **=p<.01

Las variables con correlaciones significativas más taron con la calificación en la actividad elicitadora

altas con la calificación en la actividad elicitadora (r= .452), el gozo (r= .309), el placer (r= .303), el

fueron: la calificación en el bimestre del estudio compromiso (r= .360), la autoeficacia matemática

(r= .452), el gozo (r= .306), el compromiso (r=.433) (r= .379), el aprendizaje (r= .315), la percepción de

la frustración (r= -.362), el desgano (r= -.319) y la la incompetencia matemática (r= -.389), el gusto

autoeficacia matemática (r=.327). por las matemáticas (r= .372), el autoconcepto

matemático (r= .314).

Para la calificación en el bimestre del estudio, las

correlaciones más altas y significativas se presen-

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 113

 Número 49. Agosto 2022 – Enero 2023

Las correlaciones permiten aportar información 8) Fastidio: desgano (r=.492, p<.01) y

sobre la red nomológica de cada una de las varia- aprendizaje (r=-.428, p<.01).

bles, así como validez concurrente a las medicio-

9) Pensamiento positivo: rumiación (r=.453,
nes. Las correlaciones moderadas (r mayor
p<.01) y aprendizaje (r=.403, p<.01).
que .40 y menor a .69) se presentan en el listado

siguiente: 10) Prevención: rumiación (r=.401, p<.01).

1) Entretenimiento: utilidad (r=.431, p<.01). 11) Reapreciación de logro: autoeficacia

matemática (r=.447, p<.01) y aprendizaje

2) Utilidad: pensamiento positivo (r=.444,
(r=.461, p<.01).
p<.01), gusto por las matemáticas (r=.487,

p<.01) y aprendizaje (.586, p<.01). 12) Autoeficacia matemática: aprendizaje

(r=.690, p<.01) y recompensa (r=.506,

3) Insistencia: pensamiento positivo (r=.417,
p<.01).
p<.01).

13) Valoración social: recompensa (r=.454,

4) Gozo: compromiso (.501, p<.01), fastidio
p<.01) y aprendizaje (r=.539, p<.01).
(-.533, p<.01) y autoeficacia matemática

(r=.436, p<.01). 14) Aprendizaje: recompensa (r=.562, p<.01).

5) Placer: compromiso (.566, p<.01), fastidio Análisis de regresión múltiple

(-.590, p<.01), autoeficacia matemática
Antes de proceder con los análisis de regresión, se
(r=.462, p<.01) y aprendizaje (.618, p<.01).
revisó que los datos cumplieran con los supuestos

6) Compromiso: fastidio (r=-.386, p<.01) y necesarios: se eliminaron valores extremos pro-

desgano (r=-.301, p<.01). blemáticos calculando los valores estándar de

cada variable y eliminando aquellos fuera del

7) Frustración: fastidio (r=.431, p<.01),
rango (Weston & Gore, 2006). Se revisó que la dis-
desgano (r=.596, p<.01) y evasión (r=.409,
tribución de los valores perdidos fuera aleatoria, y
p<.01).
se eliminaron los casos en los que los valores

perdidos superaran el 10% (Pérez et al., 2013).

114 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Finalmente, se analizó la normalidad de las variab- Una vez revisados los supuestos, se realizaron

les del estudio. Únicamente la autoeficacia análisis de regresión múltiple con el método

matemática presentó una distribución normal stepwise para las dos variables de salida: cali-

(Kolmogorov-Smirnov= .039, p=.096; Shapiro-Wilk= ficación en la actividad elicitadora y calificación en

.994, p=.076), sin embargo, todos los valores de el bimestre del estudio, introduciendo como

asimetría y curtosis se mantuvieron entre -2 y 2. predictores las variables con correlaciones signi-

ficativas (Ver tabla 3).

Tabla 3. Análisis de regresión múltiple stepwise para las variables predictoras de la calificación en la
actividad

Variable predic- b
Paso R2 F Sig.
tora
.494 .18 103.147 (1/446 .000
1 Compromiso b
8 gl)
-.25 .28
2 Insistencia 89.902 (1/445 gl) .000c
4 8
-.16 .32 .000
3 Frustración 69.657 (1/444 gl) d
4 0
-.09 .32
4 Evasión 53.774 (1/443 gl) .000e
1 7
Nota. El efecto más grande y positivo se presenta en el compromiso. La insistencia, la frustración y la
evasión tienen un efecto pequeño y negativo.

De las 13 variables que presentaron correlaciones En la tabla 4 se puede apreciar el análisis de regre-

significativas, únicamente el compromiso, la insis- sión múltiple con el método stepwise de las varia-

tencia, la frustración y la evasión resultaron ser bles predictoras de la calificación en el bimestre

predictoras, explicando un 32.7% de la varianza en del estudio.

la calificación en la actividad elicitadora.

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 115

 Número 49. Agosto 2022 – Enero 2023

Tabla 4. Análisis de regresión múltiple stepwise para las variables predictoras de la calificación en el
bimestre del estudio

Paso Variable predictora b R2 F Sig.

Autoeficacia .186 .14 74.988 (1/446 .000
1 b
matemática 4 gl)
-.11 .18 49.532 (1/445
2 Fastidio .000c
3 2 gl)
.163 .20 37.137 (1/444 .000
3 Compromiso d
1 gl)
-.17 .21 30.922 (1/443
4 Evasión .000e
2 8 gl)
.116 .22 25.992 (1/442
5 Entretenimiento .000f
7 gl)
-.09 .23 22.612 (1/441
6 Reapreciación de logro .000g
7 5 gl)
.100 .24 20.066 (1/440 .000
7 Recompensa h
2 gl)

De las 16 variables con correlaciones significa- variables de salida), únicamente evasión y entrete-

tivas, solo la autoeficacia, el fastidio, el compro- nimiento no fungieron como predictores significa-

miso, la evasión, el entretenimiento, la tivos.

reapreciación del logro y la recompensa, resulta-

Las otras siete variables sí tuvieron un efecto sig-
ron ser predictores significativos, explicando el
nificativo en el compromiso, explicando el 45.7%
24.2% de la varianza de la calificación en el bimes-
de la varianza (F6/441=61.954, p=.000): insistencia
tre del estudio.
(b=.274, p=.001), frustración (b=.-.114, p=.000),

Con el propósito de complementar el modelo y fastidio (b=.274, p=.001), reapreciación de logro

encontrar mediadores, se llevaron a cabo análisis (b=.128, p=.002), autoeficacia matemática (b=.275,

de regresión entre los predictores significativos. Al p=.000) y recompensa (b=.178, p=.000).

realizar las regresiones con el método enter se

En los demás casos, también se observaron al
encontraron gran cantidad de efectos de
menos cinco predictores significativos, por lo que
mediación, por ejemplo, para el caso del compro-
se realizó el método stepwise para ubicar la varia-
miso, de las 9 variables introducidas (corres-
ble con mayor fuerza de mediación para incluirla
pondientes a los predictores significativos de las

116 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

en el modelo y mantener las variables con un mayor poder explicativo. En la tabla 5 se pueden

mayor efecto (Deng et al., 2018), que facilitaran la apreciar los predictores principales para cada

construcción de un modelo parsimonioso y con variable.

Tabla 5. Análisis de regresión múltiple con el método stepwise para revisar efectos de mediación entre las
variables

Variable Predictor principal b R2 F (1/446 Sig.

gl)
Compromiso Autoeficacia .52 .27 172.523 .00
8 9 0
Insistencia Compromiso .39 .15 81.813 .00
4 5 0
Frustración Fastidio .43 .18 101.926 .00
1 6 0
Evasión Frustración .40 .16 89.872 .00
9 7 0
Autoeficacia Compromiso .52 .27 172.523 .00
8 9 0
Fastidio Frustración .43 .18 101.926 .00
1 6 0
Entretenimiento Autoeficacia .39 .15 79.864 .00
matemática 0 2 0
Reapreciación de Autoeficacia .44 .20 111.222 .00
logro matemática 7 0 0
Recompensa Autoeficacia .50 .25 153.852 .00
matemática 6 6 0

Con los datos anteriores se construyó un modelo la calificación en la actividad como en el bimestre

estructural del rendimiento académico en reciben influencia de las emociones, las

matemáticas (ver figura 1). A partir de los estrategias de regulación emocional, el interés, la

resultados obtenidos, pudo observarse qu etanto orientación a la meta y la autoeficacia.

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 117

 Número 49. Agosto 2022 – Enero 2023

Figura 1. Representación de las relaciones que aparecieron en los análisis de regresión

La calificación en la actividad recibe influencia del tivo de la normalidad, y es menor a p (p+2), siendo

compromiso a través de la insistencia, así como p el número de variables observadas (11). Lo

de la evasión. Por su parte, la calificación en el anterior permite proceder con los análisis.

bimestre del estudio recibe influencia de la frus-

Después de verificar el cumplimiento de los
tración a través de la evasión, así como de la auto-
supuestos necesarios, se realizó un análisis con el
eficacia a través de la reapreciación del logro y la
método de modelamiento estructural (Kline,
recompensa. La calificación en el bimestre
2011), cuyos resultados se muestran en la figura
también se ve impactada directamente por el
2.
fastidio y el compromiso. La autoeficacia

matemática y el compromiso están correlacio-

nados, así como el fastidio y la frustración.

Análisis de sendero

El índice multivariado de Mardia fue de 4.740. De

acuerdo con Medrano y Muñoz-Navarro (2017),

valores inferiores a 70 en el índice multivariado de

Mardia indican que no hay alejamiento significa-

118 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Figura 2. Modelo estructural del rendimiento académico en matemáticas de estudiantes de

secundaria

Después de los cambios necesarios, el modelo entre .044 y .077. El porcentaje de varianza

obtenido mostró un buen ajuste (Kline, 2011), explicada de la calificación en la actividad fue de

como lo indican los siguientes valores: X2/gl= 39.4%. En la tabla 6 se pueden ver las correlacio-

2.613, GFI= .971, CFI= .966, RMSEA= .060, con un nes estandarizadas entre las variables de entrada

intervalo de confianza del 90%, oscilando del modelo.

Tabla 6. Correlaciones estandarizadas entre las variables de entrada del modelo

Variables r EE
Compromiso Autoeficacia matemática .528 *** .017
Fastidio Frustración .431 *** .023
Compromiso Fastidio -.386 *** .026
Fastidio Autoeficacia matemática -.270 *** .019
AutoeficaciaMatemática Frustración -.211 *** .014
Compromiso Frustración -.171 *** .018
Nota. ***=p<.001

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 119

 Número 49. Agosto 2022 – Enero 2023

La tabla 7 muestra los pesos de regresión estandarizados entre las variables mediadoras del modelo.

Tabla 7. Pesos de regresión estandarizados entre variables mediadoras del modelo

Variables Predictores Peso de regresión EE

Evasión Fastidio .285 *** .035
Evasión Frustración .286 *** .046
Recompensa AutoeficaciaMatemática .366 *** .054
Recompensa Compromiso .266 *** .042
Entretenimiento Evasión .179 *** .042
Entretenimiento AutoeficaciaMatemática .415 *** .049
Insistencia Fastidio -.305 *** .043
Insistencia Compromiso .295 *** .052
Insistencia Recompensa .143 *** .055
Calificación bim. Evasión -.235 *** .118
Calificación bim. Compromiso .226 *** .119
Calificación bim. Recompensa .159 *** .132
Calificación bim. Entretenimiento .138 .002 .123
Insistencia Frustración .496 *** .054
Calificación act. Compromiso .402 *** .128
ReapreciaciónLogro AutoeficaciaMatemática .421 *** .056
Calificación act. Insistencia -.263 *** .108
ReapreciaciónLogro Insistencia .151 *** .037
Calificación act. [Link]ónBimestre2 .307 *** .046
Calificación act. Frustración -.156 *** .131
Nota. ***=p<.001

En la tabla 8 se pueden apreciar las correlaciones calificación en el bimestre del estudio, entreteni-

múltiples al cuadrado de las variables mediadoras miento y evasión) y de salida (calificación en la

(reapreciación de logro, recompensa, insistencia, actividad elicitadora).

120 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Tabla 8. Correlación múltiple al cuadrado de las variables mediadoras y de salida

R2

Evasión .2
34

Recompensa .3
08

Entretenimiento .1
84

Calificación en el bimestre .2
20

Insistencia .3
75

Calificación en la activi- .3
dad 94

ReapreciaciónLogro .2
27

La variable que tuvo mayor efecto total sobre la sión (-.235, p<.001), seguida del compromiso (.226,

calificación en la actividad fue el compromiso p<.001); los efectos de la recompensa (.159,

(.402, p<.001), seguida por la calificación en el p<.001) y el entretenimiento (.138, p<.001) fueron

bimestre del estudio (.307, p<.001) y la insistencia moderados. En conjunto, las cuatro variables

(-.263, p<.001). El efecto de la frustración sobre la explicaron el 22% de la varianza de la calificación

calificación en la actividad fue moderado (-.156, en el bimestre.

p<.001). En conjunto, las cuatro variables explican

Las variables que tuvieron un efecto negativo
el 39.4% de la varianza de la calificación en la
fueron: el fastidio sobre la insistencia (-.305,
actividad de matemáticas.
p<.001), la evasión sobre la calificación en el

Por otro lado, la variable que tuvo mayor efecto bimestre (-.235, p<.001), la insistencia sobre la cali-

total sobre la calificación en el bimestre fue la eva-

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 121

 Número 49. Agosto 2022 – Enero 2023

ficación en la actividad (-.263, p<.001) y la frus- les tanto cognitivas como afectivas, principal-

tración sobre la calificación en la actividad (-.156, mente con las emociones positivas (Gómez, et al.,

p<.001). 2020), negativas (Van der Beek et al., 2017) y la

autoeficacia (Hwang et al., 2016), y tiene una

Después de la calificación en la actividad, la varia-
relación inversa con emociones negativas como la
ble con una mayor varianza explicada fue la insis-
frustración y el aburrimiento (Pekrun et al., 2017).
tencia (37.5%), seguida de la recompensa (30.8%),

la reapreciación de logro (22.7%), la evasión Aunque la calificación en la actividad y en el

(23.4%), la calificación en el bimestre (22%) y el bimestre del estudio son medidas del rendimiento

entretenimiento (18.4%). académico en matemáticas, no se asociaron de la

misma forma con las mismas variables. Pareciera

En el modelo se observa que tanto aspectos emo-
que la calificación en el bimestre del estudio, que
cionales como cognitivos tienen efectos sobre los
corresponde a una evaluación más larga, se
resultados que obtienen los estudiantes en
encuentra más asociada con las actitudes hacia
matemáticas, tal como se hipotetizó.
las matemáticas, una variable más duradera y

menos dependiente de la situación específica.

Discusión
La orientación a la meta de aprendizaje presentó
En el presente estudio se encontró que variables
las correlaciones positivas más altas (mayores
tanto afectivas (interés, emociones y actitudes
a .50), con: utilidad, placer, pensamiento positivo,
hacia las matemáticas), como cognitivas (auto-
autoeficacia matemática, valoración social y
eficacia matemática, orientación a la meta y regu-
recompensa. Al parecer, tanto la cognición como
lación emocional), impactan en los resultados
los afectos se combinan para influir en la
académicos en matemáticas, vistos en términos
motivación de los estudiantes hacia el aprendi-
de la calificación de matemáticas en el bimestre y
zaje, impactando así el desempeño y, por lo tanto,
en la calificación en una actividad elicitadora.
el rendimiento (Vandewalle et al., 2019).

En concordancia con lo reportado en la literatura,

Aunque la orientación a la meta de aprendizaje
el rendimiento académico en matemáticas está
presentó algunas de las correlaciones más altas
directamente relacionado con variables individua-
con las variables del estudio, no fungió como un

122 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

predictor significativo de la calificación en la activi- 2017), más cercana a un estado de ánimo que a

dad o en el bimestre. Además, llama la atención una reacción emocional súbita y corta. Es por lo

que, de nuevo, hubo más predictores significa- anterior que estas variables pueden estar

tivos para el rendimiento en el bimestre que para teniendo una mayor influencia en un resultado

la actividad. que se va edificando a lo largo de un bimestre.

Los predictores significativos para la calificación Los análisis de mediación volvieron a centrar la

en la actividad coinciden con la teoría, en cuanto a atención en la autoeficacia matemática, ya que

que se plantea una combinación entre emociones esta predijo cuatro de las 8 variables consi-

positivas y negativas (Pekrun et al., 2017). El princi- deradas; lo cual muestra congruencia con las

pal predictor, con un impacto positivo, es el comp- investigaciones que indican que, dentro de las

romiso, subdimensión del disfrute, y enseguida variables cognitivas, las creencias de autoeficacia

aparecen la insistencia y la frustración, que dismi- son las que tienen un mayor impacto en el

nuyen el rendimiento; junto con la evasión, aprendizaje, desempeño y rendimiento acadé-

estrategia de regulación emocional que implica el micos (Honicke & Broadbent, 2017); esto puede

distraerse cognitivamente o alejarse físicamente deberse a su influencia en las otras variables que

de la tarea académica (Gross, 2015). intervienen, tanto cognitivas como afectivas.

Para la calificación en el bimestre del estudio, Es decir que, si bien algunas variables, principal-

también aparecen emociones positivas y nega- mente las cognitivas, han probado impactar en

tivas como predictores, sin embargo, ya no son los gran medida el rendimiento académico, los análi-

principales; aquí, la autoeficacia matemática y el sis de mediación pueden arrojar luz sobre las

fastidio (subdimensión del aburrimiento), juegan variables que pueden estar en el medio. Un

un papel central. ejemplo de ello fue el interés que, junto con la

regulación emocional y la orientación a la meta,

La autoeficacia matemática es una variable más
median el impacto de la autoeficacia y el aburri-
permanente (Wentzel & Miele, 2016), mientras
miento en el rendimiento en el bimestre.
que el aburrimiento está catalogado como una

emoción desactivadora, asociada con respuestas Por su parte, la calificación en la actividad de

del sistema nervioso parasimpático (Peixoto et al., matemáticas recibe influencia de la orientación a

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 123

 Número 49. Agosto 2022 – Enero 2023

la meta (recompensa), el fastidio y la autoeficacia Ainley, M. (2012). “Students’ interest and engagement

matemática, a través de la insistencia, y tiene in classroom activities”. En S. Christenson, A.

impacto directo del compromiso, la frustración y Reschly y C. Wylie (Eds.), Handbook of research on

la calificación en el bimestre. student engagement (pp. 283-302). Springer.

En conclusión, la autoeficacia matemática fungió Ames, C. (1992). “Classrooms: Goals, structures and

student motivation”, Journal of Educational Psychol-

como variable de entrada junto con el compro-
ogy 84, 261-271.
miso, el fastidio y la frustración; mientras que los

mediadores fueron la recompensa, la insistencia, Bausela, E. (2019). “Estudio predictivo del rendimien-
el entretenimiento y la evasión; la estrategia adap- to matemático en PISA 2012: Enfoque de aprendi-
tativa de regulación emocional de reapreciación zaje frente a la atribución de fracaso”. Revista Ibe-

de logro se mantuvo dentro del modelo, inf- roamericana de Diagnóstico y Evaluación, 52(3), 156-

luenciada por la autoeficacia y la insistencia. 171. [Link]

[Link]
La autoeficacia, junto con las emociones, tanto

positivas como negativas, impactan en la orien- Caballero, A., Cárdenas, J., & Gordillo, F. (2016). “La

tación a la meta, el interés y las estrategias de intervención en variables afectivas hacia las

matemáticas y la resolución de problemas

regulación emocional, mismas variables que, a su
matemáticos”. En: Macías, A., Jiménez, J.L.
vez, explican el rendimiento académico de los
González, M. T. Sánchez, P., Hernández, C., Fer-
estudiantes en matemáticas.
nández, D. J. Ruiz, T., Berciano, A. (Eds.), Inves-

tigación en Educación Matemática (pp. 75-91).

Referencias Servicios Educativos Integrados al estado de Méxi-

Aiken, L. R. (2002). Attitudes and related psychosocial co. [Link]

constructs: Theories, assessment, and research. Sage [Link]

Publications, Inc.
CASEL (2020). Evidence-Based Social and Emotional

Learning Programs: CASEL Criteria Updates and Ra-

tionale. CASEL. [Link]

loads/2021/01/11_CASEL-Program-Criteria-Ratio-

[Link]

124 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Cleary, T. (2017). “Motivation and self-regulated García, B. (2018). “Las habilidades socioemocionales,

learning influences on middle school mathematics no cognitivas o ‘blandas’: aproximaciones a su

achievement”. School Psychology Review, 46(1), 88- evaluación”. Revista Digital Universitaria (RDU),

107. 19(6), 1-17.

Cruz, M. (2016). “Factores que influyen en el rendi- Gómez, O. (2021). Un modelo estructural del rendi-

miento académico del estudiante”. Escenarios: miento en matemáticas de estudiantes mexicanos de

empresa y territorio, 5(5), 93-118. [Link] secundaria. Tesis de doctorado. Universidad Nacio-

[Link]/revistas/[Link]/escenarios/ nal Autónoma de México.

article/view/68/61
Gómez, O., García, B., Hoover, M., Castañeda-Figuei-

Deng, L., Yang, M., & Marcolulides, K. (2018). “Struc- ras, S., & Guevara-Benítez, Y. (2020). “Achievement

tural Equation Modeling with many variables: A Emotions in Mathematics: Design and Evidence of

systematic review of issues and developments”. Validity of a Self-Report Scale”. Journal of Education

Frontiers in Psychology, 25. [Link] and Learning, 9(5), 233-243. 10.5539/jel.v9n5p233

10.3389/fpsyg.2018.00580
Gross, J. J. (2015). “Emotion regulation: current stat-

Dent, A. L., & Koenka, A. C. (2016). “The relation be- ues and future prospects”. An International Journal

tween self-regulated learning and academic for the Advancement of Psychological Theory, 26(1),

achievement across childhood and adolescence: A 1-26. [Link]

meta-analysis”. Educational Psychology Review, 28, 10.1080/1047840X.2014.940781

425-474. [Link]
Honicke, T., & Broadbent, J. (2016). “The influence of
10.1007/s10648-015-9320-8
academic self-efficacy on academic performance:

Dweck, C. S., & Elliott, E. S. (1983). “Achievement mo- A systematic review”. Educational Research Review,

tivation”. En: E. M. Hetherington (Ed.), Sociatiza- 17(1), 63-84. [Link]

tion, personality, and social development (pp. 643- [Link].2015.11.002

691). The Guilford Press.

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 125

 Número 49. Agosto 2022 – Enero 2023

Hwang, M., Choi, H. Lee, A., Culver, J., & Hutchison, B. Medrano, L. A. & Muñoz-Navarro, R. (2017). “Aproxi-

(2016). “The relationship between self-efficacy and mación Conceptual y Práctica a los Modelos de

academic achievement: A 5-year panel analysis”. Ecuaciones Estructurales”. Revista Digital de Inves-

Asia-Pacific Education Researcher, 25(1), 89-98. tigación en Docencia Universitaria, 11(1), 219-239.

[Link] [Link]

10.1007%2Fs40299-015-0236-3
Miguéns, M., & Pellón, R. (2014). “Aspectos históricos,

Illeris, K. (2018). “An overview of the history of learn- conceptuales y metodológicos en el estudio del

ing theory”. European Journal of Education, 53(1), aprendizaje y la conducta”. En R. Pellón, M. Mi-

86-101. [Link] guéns, S. Orgaz, H. Ortega, & V. Pérez (Eds.),

10.1111/ejed.12265 Psicología del Aprendizaje, (pp. 9-54). España:

UNED.
Kayan, F., Cakiroglu, E., & Sungur, S. (2015). “Develop-

ing a Structural Model on the Relationship among Murayama, K., Pekrun, R., Lichtenfeld, S., & vom

Motivational Beliefs, Self-Regulated Learning Hofe, R. (2013). Predicting long‐term growth in stu-

Strategies, and Achievement in Mathematics”. In- dents' mathematics achievement: The unique con-

ternational Journal of Science and Mathematics Edu- tributions of motivation and cognitive strategies.

cation, 13(6). [Link] Child Development, 84(4), 1475–1490. https://

013-9499-4 [Link]/10.1111/cdev.12036

Linnenbrink-García, L., Durik, A., Conley, A., Barron, Okon-Singer, H., Hendler, T., Pessoa, L., & Shackman,

K., Tauer, J., Karabenick, S., & Harachiewicz, J. A. J. (2015). “The neurobiology of emotion-cogni-

(2010). “Measuring Situational Interest in Aca- tion interactions: fundamental questions and

demic Domains”. Educational and Psychological strategies for future research”. Frontiers in Human

Measruement, 20(10), 1-25. Neuroscience, 9, 58. [Link]

ticles/10.3389/fnhum.2015.00058/full
Maldonado, A. (2015). Aprendizaje humano y pensa-

miento (1a ed.). Universidad de Granada. https:// Pajares, F., & Miller, M. (1994). “The role of self-effi-

[Link]/it/resources/an/4425767 cacy and self-concept beliefs in mathematical

problema-solving: A path analysis”. Journal of Edu-

Malmivuori, M. (2006). “Affect and self-regulation”.
cational Psychology, 86, 193-203.
Educational Studies in Mathematics. 63, 149- 164.

126 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas
 Número 49. Agosto 2022 – Enero 2023

Panizza, M. (2017). Evaluación de habilidades so- Pineda, V. (2017). “El impacto del interés situacional

cioemocionales a partir de la prueba PISA. Boletín sobre el involucramiento académico del alumno

del Instituto Nacional de Evaluación Educativa. [Cartel en Congreso]". XI Congreso de Posgrado en

[Link] Psicología UNAM, octubre 19-20, 2017, Querétaro,

tas_habilidades%[Link] México.

Peixoto, F., Mata, L., Monteiro, V., & Sanches, C. Pulido, F., & Herra, F. (2017). “La influencia de las

(2017). “How do you feel about math? relation- emociones sobre el rendimiento académico”.

ships between competence and value appraisals, Ciencia Psicológica, 11(1), 29-39. [Link]

achievement emotions and academic achieve- .[Link]/[Link]?pid=S1688-

ment”. European Journal of Psychology of Educa- 42212017000100029&script=sci_arttext

tion, 32(1), 385–405. [Link]

Ramos, G. (2017). Informe OCDE Desarrollando las ha-
cle/10.1007/s10212-016-0299-4
bilidades correctas: evaluar y anticiparse a los

Pekrun, R. (2017). “Emotion and achievement during cambios en las necesidades. OCDE. https://

adolescence”. Child Development Perspectives, 11(3), [Link]/centrodemexico/medios/desarro-

215-221. [Link] llando-las-habilidades-correctas-evaluar-y-antici-

abs/10.1111/cdep.12237 [Link]

Pekrun, R., Lichtenfeld, S., Marsh, H., Murayama, K., Salvo-Garrido, S., Miranda, H., Vivallo, O., Gálvez-Nie-

& Goetz, T. (2017). “Achievement emotions and to, J. L., & Miranda-Zapata, E. (2019). “Estudiantes

academic performance: longitudinal models of re- resilientes en el área de matemática: examinando

ciprocal effects”. Child Development, 88(5),1653- los factores protectores y de riesgo en un país

1670. [Link] emergente”. Revista Iberoamericana de Diagnóstico

abs/10.1111/cdev.12704 y Evaluación, 55(2), 43-57). [Link]

sites/default/files/2020-04/[Link]
Pérez, E., Medrano, L., & Sánchez, J. (2013). “El Path

Analysis: concetos básicos y ejemplos de Scarantino, A., & de Sousa, R. (2018). “Emotion”. En:

aplicación”. Revista Argentina de Ciencias del Stanford Encyclopedia of Philosopy. E. Zalta (Ed.).

Comportamiento, 5(1), 52-66. [Link] Stanford University.

[Link]/[Link]?id=333427385008

Olimpia Isaura Gómez Pérez y Benilde García Cabrero 127

 Número 49. Agosto 2022 – Enero 2023

Skinner, E., Furrer, C., Marchand, G., & Kindermann, Vandewalle, D., Nerstad, C. G., & Dysvik, A. (2019).

T. (2008). “Engagement and Disaffection in the “Goal orientation: a review of the miles traveled

Classroom: Part of a Larger Motivational Dy- and the miles to go”. Annual Review of Organiza-

namic?”. Journal of Educational Psychology, 100(4). tional Psychology and Organizational Behavior, 6(1),

765-781. 10.1037/a0012840 115-144. [Link]

10.1146/annurev-orgpsych-041015-062547
Sölpük, N. (2017) The Effect of Attitude on Student

Achievement. En: Karadag E. (Ed.) The Factors Wentzel, K., & Miele, D. (2016). Handbook of Motiva-

Effecting Student Achievement. Springer. https:// tion at School. Routledge.

[Link]/10.1007/978-3-319-56083-0_4
Weston, R., & Gore, P. (2006). “A Brief Guide to Struc-

Tyng, C. M., Hafeez, U. A., Saad, M. N., & Malik, A. S. tural Equation Modeling”. The Counseling Psycholo-

(2017). “The influences of emotion on learning and gist, 34(5), 719-751. 10.1177/0011000006286345

memory”. Frontiers in Psychology, 8(1) 1-133.

York, T., Gibson, C., & Rankin, S. (2015). Defining and
[Link]
measuring academic success. Practical Assessment,
syg.2017.01454/full
20(5). [Link]

Van der Beek, J., Van der Ven, S., Kroesbergen, E., &
Zahed-Babelan, A., & Moenikia, M. (2010). “The role
Leseman, P. (2017) “Self-concept mediates the re-
of emotional intelligence in predicting students
lation between achievement and emotions in
´academic achievement in distance education sys-
mathematics”. British Journal of Educational Psy-
tem”. Procedia-Social and Behavioral Sciences, 2,
chology, 87(3), 478-495.
1158-1163. 10.1016/[Link].2010.03.164

Zarch, M. K., & Kadivar, P. (2006). “The Role of Mathe-

matics self-efficacy and Mathematics ability in the

structural model of Mathematics performance”

[Conferencia]. The 9th WSEAS International Confer-

ence on Applied Mathematics. Estambul, Turquía.

[Link]

2006istanbul/papers/[Link]

128 Modelo estructural del rendimiento académico en matemáticas: Su vinculación con variables afectivas y cognitivas