evaluación objetiva del aprendizaje y las variables de

TESIS DOCTORAL

EVALUACIÓN OBJETIVA DEL APRENDIZAJE Y DE LAS VARIABLES

DE EJECUCIÓN ASOCIADAS

Autoría: Cristina Casadevante de la FuenteDirección: José Santacreu Mas

Julio, 2021

EVALUACIÓN DEL APRENDIZAJE

Y DE LAS VARIABLES DE

EJECUCIÓN ASOCIADAS TESIS DOCTORAL

DOCTORAL THESIS

AUTORA: Cristina Casadevante de la Fuente

DIRECTOR DE LA TESIS DOCTORAL: Dr. José Santacreu Mas

Facultad de Psicología Faculty of Psychology

Departamento de Psicología Biológica y de la Salud Department of Biological and Health Psychology

Programa de doctorado: Psicología Clínica y de la Salud

A mis padres y hermano,

que han hecho posible que llegue hasta aquí y sea quien soy.

A Catalina y Olivia,

que me hacen descubrir una nueva versión de mí.

A mi Eduardiño,

que ama con paciencia cada una de esas versiones.

Y a mí misma,

que he recorrido el camino hasta el final.

AGRADECIMIENTOS

Escribir estos agradecimientos es, sin duda, una de las partes más

gratificantes de este doctorado. Terminar esta tesis no solo supone el cierre de un

periodo académico más, sino que representa fin de una etapa que, a mi modo de ver,

se inició 30 años atrás. Un alto en un camino recorrido con esfuerzo y entusiasmo,

y, para ser sinceros, con mucha ayuda. Llegados a este punto siento que en esta

marcha han primado las alegrías y la satisfacción sobre todo lo demás, y esto es en

gran parte, gracias a los acompañantes que han venido conmigo.

Gracias a Pepe, que además de ser director, ha sido mentor y me atrevería a

decir que, en ocasiones, ha sido padre y amigo. Se ha esforzado en transmitirme no

solo conocimientos, sino una forma de proceder y pensar digna de una doctora y,

como a él le gustaría, de futura súper jefa. La paciencia que ha tenido conmigo ha

sido infinita.

Gracias a José Manuel, que, con mucha dedicación, humor y mano izquierda,

me ha guiado en el desarrollo de esta tesis. No puedo dejar de mencionar su podcast

Diálogos de Mentes, que me ha hecho despejarme en tantos momentos. Siempre seré

su escuchanta número 1.

Gracias a Miriam, la tercera pata de este equipo de trabajo. El desarrollo de

esta tesis hubiera sido infinitamente más aburrido y abrumador sin ella. Gracias por

la cooperación, la ayuda, el trabajo conjunto, pero, sobre todo, gracias por la

compañía en mis múltiples desvaríos.

Gracias a Tatiana, el mejor modelo que he podido seguir. Gracias por el

intercambio de consejos, anécdotas y confesiones. Yo de mayor quiero ser como tú.

Gracias al CPA, en especial, a Ana, por su amabilísima y cariñosa dedicación,

y a todos sus terapeutas, que han permitido que me desarrolle como psicóloga

clínica al mismo tiempo que como investigadora y docente. Gracias por enseñarme

a saber estar y a saber ser terapeuta con el rigor que ello conlleva.

Gracias a Rebe, a la cual no sé si admiro más como profesional o como

crossfitera. Jamás vi tanto esfuerzo en una única persona. Ojalá seguir tus pasos.

Gracias al laboratorio 6 y todos sus integrantes que han tolerado mis malas

posturas, mi caminar descalzo y mi volumen de voz nada comedido.

Y gracias a la UAM, la casa en la que he pasado los últimos 12 años

sintiéndome completamente acogida y creciendo de forma exponencial. Gracias por

trasmitirme un saber hacer marcado por el pragmatismo, el empirismo y el progreso

constante.

Y por supuesto, gracias a todas las personas que, desde fuera, me han

sostenido y empujado durante todo el recorrido.

Gracias a Carli, que sembró en mí la idea de empezar este trayecto. Gracias

por ser un abrazo constante. Gracias por las reflexiones conjuntas que nos sacaron

del atolladero. Gracias por compartir cada vivencia de forma incondicional. Gracias

por ser amistad.

Gracias a mis terapeutas felices, que sin duda me han hecho feliz durante

todos estos años. Alba, Almu, Amis, Debo, Elena, Isa y Miriam. Una manada de

psicólogas que han demostrado estar tanto en lo profesional y como en lo personal

con una calidad excepcional.

Gracias a las niñas, BCLAMCECMEM, Albin, Ale, Bea, Car, Elena, Eva, Lour, y

Mar, por toda una vida compartida. Tener la suerte de que el refugio de la infancia

se mantenga a través de los años no es algo de lo que todo el mundo pueda presumir.

Estoy deseando que nuestras hijas sigan nuestro ejemplo.

Gracias especialmente a Sapo, que me ha dejado maltratar su nombre a lo

largo de los años. Tenerte es tener una balsa que flota en paz en cualquier momento

que la necesite. Gracias por tu mirada atenta y sin juicios aun desde la lejanía.

Gracias a An, por haber sido el rey del mundo a mi lado. Gracias por haberme

hecho creer en mi inteligencia y por hacer que me exigiera explotarla. Ojalá vivir en

un eterno desayuno buffet, juntos y en pijama, en el Eurostars con vistas a Madrid.

Regalaría esta tesis al primero que pasara por saber que ya estás bien.

Gracias a Magius. Se hace difícil de creer que habiendo coincidido solo dos

años en la misma ciudad, ya sean 15 los que hemos pasado queriéndonos, cada día

más y mejor. Gracias por ser tan especial, tan auténtico, tan valiente, tan leal.

Gracias a La Llama, por haberme hecho adicta a las risas, las cervezas y los

juegos de mesa. Gracias a Nachín, Nacho, Richi, Javi, Nene, Gavio, Jose, Cigu, Cocó,

Laura, Natalia, Mia, Elena, Javi, Marta, Nerea, Jorge y Jaime por alegrarme cada

verano. Gracias a Alex por sus infinitas bromas. Gracias a Paco por un cariño

incesante. Gracias a Clarins, por convertirse en una amiga imprescindible, una gran

aliada, de risas y copas y de luchas y tragedias. Gracias a Her, por haber transitado

los diferentes momentos de nuestra vida con tanto amor y respeto. Gracias por todo

lo que me has enseñado. Espero acariciar muchas más páginas de este libro contigo.

Gracias a Gon, por habernos conocido en tantas etapas distintas y todavía

seguir reconociéndonos. Me encanta que sigas en mi vida.

Gracias a mi chino, Coke, por valorarme como lo haces. Gracias por

inspirarme y acogerme siempre. Sin ti mi mundo artístico no existiría.

Gracias a Irene, por tantísimos momentos divertidos, por amenizar de forma

increíble los años universitarios, por estar siempre dispuesta a vernos y a darlo todo.

Gracias a Natalius, mi genia de la lámpara. Gracias por ser una mujer modelo.

Por ser inspiración. Y, además, por tener el privilegio de que seas mi amiga. Por lo

divertida, reflexiva, observadora y atenta que puedes llegar a ser.

Gracias a AlumniUAM, y sobre todo a sus integrantes: Lis, Carmelo, Javi, Jose,

y las dos Silvias. En ellos encontré muchos consejos prácticos, y sobre todo, mucho

desahogo y diversión.

Gracias a mi Erasmus, que me permitió conocer a Jorge, María, Lucía y Clara.

Gracias por tantas anécdotas y por esforzaros en seguir presentes. Pero qué Preston

es este.

Y, por encima de todo, gracias a Roberto, gracias a mi Pucho. Nunca dejaré de

vivir la vida por ti.

Por último, y sí por ello más importante, gracias a aquellas personas que

forman parte de mi ADN.

Gracias a Edu, por haberme hecho el regalo más grande. Por haberme

enseñado lo que es el amor. Gracias por haberme enseñado que una relación de

pareja puede fluir y ser tremendamente fácil. Gracias por cuidarme y mimarme con

la paciencia infinita con la que lo haces. Gracias por mirarme de forma tan limpia.

Gracias por ser tan increíblemente guapo, bueno y divertido. Gracias por ser el padre

de nuestras niñas. Y gracias a toda tu familia y amigos que me han acogido como una

más. Gracias a Leo y Carlos por ser los mejores suegros que podía pedir. Gracias a

Carlos y María José por ser los cuñados perfectos y por hacerme tía de una cosita tan

linda. Gracias a Angie e Isa por aguantarnos. Gracias a la tía Pepi por su ánimo

infinito. Gracias a mi tocaya por tenerme en tal alta estima. Gracias a todos los

primos y tíos, gracias a Guille, gracias a Montes, gracias a Indus, al barrio, al cole y a

todos los demás. Por quererme y por haberme prestado al mejor que teníais.

Gracias a toda mi familia. A la Lala, el Lalo, mi madrina la tía Mary, la abuela

Fermina, el tío Siro y el tío Ángel. Nadie hubiera cuidado mejor de nosotros. Gracias

a Lalita, mi padrino Luis, Cucho y Vir, tía Gracia y tío Nacho, Javi y el abuelo

Fernando. Por ser la familia más divertida que hay. Gracias a las primas, Gra, Elena

y Marta, por tantas tardes de intercambio en las que viviría para siempre. Gracias a

Fer e Irene por ser mis primos pequeños y dejarse cuidar. Gracias a Marisilla y

Paloma por estar siempre pendientes. Gracias a la tía Alicia, Jorge y Miguel, por

vuestra inestimable compañía en tantos viajes y excursiones. Y a mis tíos y primos

de Burgos que, aunque estén lejos, siempre están muy cerca.

Gracias a mi hermano por ser tan buen hermano. Por haber aguantado todas

mis regañinas y exigencias y aun así seguir poniendo buena cara. Por compartir

conmigo sus fechorías (algunas de ellas), sus dudas y sus logros. Cada día estoy más

orgullosa de ti.

Gracias a mi madre por ser la mejor madre del mundo. Por su amor y entrega

más que incondicional, que ahora valoro más que nunca. Por todo el apoyo, la

paciencia, el cariño, el buen humor, la alegría y la confianza. Por enseñarnos a ser

buenas personas. Por ser espectacular.

Gracias a mi padre por todo lo que nos ha dado y transmitido. Por ser la

persona a la que puedo recurrir ante cualquier problema. Por enseñarnos a pensar,

a hacernos valer, por exigirnos. Por todo lo que se exige a él mismo y todo lo que nos

regala en silencio.

Gracias a Cata y a Oli, por dejarme vivir la increíble experiencia de ser tres

corazones latiendo en un mismo cuerpo. Por cada patadita que me impulsa a

superarme para ser la mamá doctora que os merecéis. Por la nueva vida que nos

espera juntas.

Índice de contenidos

RESUMEN............................................................................................................................................................. 1

ABSTRACT .......................................................................................................................................................... 5

PRIMERA PARTE: INTRODUCCIÓN TEÓRICA ................................................................................. 9

Capítulo 1: Aproximaciones al concepto y estudio del aprendizaje. ....................................... 13

1. Perspectivas históricas en el estudio del aprendizaje y las dificultades asociadas ....13

1.1. Aproximación conductista. ..................................................................................... 13

1.2. Aproximación cognitivista. ..................................................................................... 20

1.3. Factores tradicionalmente relacionados con el aprendizaje desde ambas perspectivas. ................................................................................................................... 23

1.4. Consideraciones finales .......................................................................................... 36

2. La teoría del comportamiento humano......................................................................................... 37

2.1. La interacción como objeto de estudio: el sentido de la conducta se encuentra en el contexto ...................................................................................................................... 39

2.2. La relevancia de la historia de aprendizaje y las variables disposicionales: los ladrillos sobre los que se cimienta la conducta presente. ........................................... 42

2.3. ¿Qué es aprendizaje? ............................................................................................... 49

Capítulo 2: Evaluación del aprendizaje y éxito académico ........................................................... 57

1. Aproximación a los conceptos de aprendizaje y dificultades de aprendizaje en laactualidad.......................................................................................................................................................... 57

2. ¿Cómo se evalúa el aprendizaje y los factores asociados a éste? ........................................ 61

2.1. La tradición del autoinforme y sus sesgos. ............................................................ 61

2.2. La aparición de las pruebas objetivas y su desarrollo gracias a los avances tecnológicos. ................................................................................................................... 66

Capítulo 3. La autorregulación. ................................................................................................................ 75

1. Aproximación al concepto de autorregulación. ......................................................................... 75

2. La autorregulación como promotora del aprendizaje y del rendimiento académico.......................................................................................................................................................................... 84

3. La evaluación de la autorregulación: autoinformes y pruebas objetivas. ....................... 88

SEGUNDA PARTE: JUSTIFICACIÓN DE ESTUDIOS ....................................................................... 97

Capítulo 4. Justificación, objetivos e hipótesis de estudio y metodología empleada. ....... 99

TERCERA PARTE: ESTUDIOS EMPÍRICOS ..................................................................................... 107

Chapter 5. First study. Category Learning in Schoolchildren. Its Relation to Age, Academic Marks and Resolution Patterns. ...................................................................................... 109

1. Abstract. ................................................................................................................................................... 109

2. Introduction. ........................................................................................................................................... 110

3. Method ....................................................................................................................................................... 119

4. Results ....................................................................................................................................................... 121

5. Discussion ............................................................................................................................................... 129

6. References .............................................................................................................................................. 135

Chapter 6. Second study. Why do not some university students learn in a category learning task? The role of response speed and organization. ................................................. 139

1. Abstract ................................................................................................................................................... 139

2. Introduction ........................................................................................................................................... 140

3. Method ..................................................................................................................................................... 148

4. Results ...................................................................................................................................................... 152

5. Discussion ............................................................................................................................................... 158

6. References .............................................................................................................................................. 165

Chapter 7. Third Study. How to foster learning by limiting the response speed............. 175

1. Abstract. .................................................................................................................................................. 175

2. Introduction ........................................................................................................................................... 176

3. STUDY 1: PRELIMINARY RESEARCH .......................................................................................... 189

3.1. Method ............................................................................................................................................. 189

3.2. Results ............................................................................................................................................. 193

4. STUDY 2: MAIN STUDY ..................................................................................................................... 195

4.1. Method ............................................................................................................................................. 195

4.2. Results ............................................................................................................................................. 197

5. Discussion ............................................................................................................................................... 202

6. Conclusion .............................................................................................................................................. 208

7. References .............................................................................................................................................. 209

Chapter 8. Fourth study. Self-regulation of response speed: a key for learning .............. 221

1. Abstract ................................................................................................................................................... 221

2. Introduction ........................................................................................................................................... 222

3. STUDY 1 ................................................................................................................................................... 230

3.1. Method ............................................................................................................................................. 230

3.2. Results ............................................................................................................................................. 234

4. STUDY 2 ................................................................................................................................................... 238

4.1. Method ............................................................................................................................................. 238

4.2. Results ............................................................................................................................................. 241

5. Discussion ............................................................................................................................................... 242

6. References .............................................................................................................................................. 246

CUARTA PARTE: DISCUSIÓN .............................................................................................................. 259

Capítulo 9: Discusión, limitaciones y perspectivas futuras ...................................................... 261

1. Discusión. ................................................................................................................................................ 261

2. Limitaciones y posibles mejoras. .................................................................................................. 268

3. Perspectivas futuras de investigación. ....................................................................................... 270

CONCLUSIONES GENERALES ............................................................................................................... 273

GENERAL CONCLUSIONS ....................................................................................................................... 279

REFERENCIAS .............................................................................................................................................. 283

Anexo A. Modelo de consentimiento informado ..................................................................... 307

Anexo B. Informe favorable del Comité de Ética de la Investigación ..........................311

Resumen

1

RESUMEN (Versión en castellano)

Esta tesis trata de analizar el aprendizaje en estudiantes y las variables que

lo favorecen y lo dificultan desde la perspectiva de la psicología conductual. Pese a

que el aprendizaje y el rendimiento académicos han sido ampliamente estudiados,

gran parte de la literatura científica analiza este proceso desde una aproximación

cognitiva. La psicología conductual tiene como objetivo explicar el comportamiento

del individuo en función de los cambios en el contexto. Analiza las relaciones de

contigüidad y contingencia entre los elementos del contexto y entre éstos y el

comportamiento del individuo. La psicología cognitiva, en cambio, estudia el

comportamiento en función del conocimiento alcanzado por el individuo en un

momento dado. Su objetivo es analizar cómo se incorpora y se estructura la

información en el individuo, en función de lo que percibe y aprende en el contexto.

La conducta, desde esta perspectiva, es una manifestación de dicho conocimiento

con un objetivo adaptativo. Esto conlleva el uso de una metodología de investigación

basada principalmente en el autoinforme del individuo que, como es bien conocido,

está sometido a diferentes sesgos.

Esta tesis realiza una aproximación diferente al estudio del aprendizaje,

mediante la evaluación objetiva del comportamiento durante el proceso de

aprendizaje, analizando las variables de la conducta del individuo que promueven

un rendimiento eficaz. Las principales variables incluidas en tal análisis son la

velocidad de ejecución del individuo y el nivel de organización que muestra su

comportamiento mientras trata de resolver una tarea de aprendizaje. El objetivo es

determinar el efecto de diferentes alternativas de comportamiento durante el

aprendizaje en diferentes condiciones del contexto. Para ello, se utilizan dos pruebas

de evaluación objetivas e informatizadas, una de ellas creada ad hoc para la presente

tesis.

Mediante el desarrollo de cuatro estudios empíricos se trata de analizar este

fenómeno en diferentes poblaciones y en diferentes pruebas de aprendizaje.

En el primer estudio, se analiza la relevancia de la velocidad y la secuencia de

ejecución en el aprendizaje de categorías. La muestra la conforman 466 escolares de

2

Resumen

educación primaria de entre 6 y 12 años mediante la prueba Category Learning

Test (CLT) para medir las variables mencionadas. Se analiza también la relación

entre la ejecución en dicha tarea y las calificaciones académicas obtenidas en

el curso académico correspondiente al momento de la evaluación.

En el segundo estudio, se analizan las mismas cuestiones, en este caso, en

población universitaria, bajo el supuesto de que las conclusiones del estudio

pudieran ser diferentes en adultos con mayor capacidad de aprendizaje.

Participaron en el estudio 86 estudiantes que resolvieron la prueba CLT. A la vista

de los resultados de los primeros estudios, que indican la relevancia de la velocidad

de ejecución para el aprendizaje, se profundiza en este aspecto en el tercer estudio.

En dicho tercer estudio, mediante un diseño cuasi-experimental de dos

grupos, control y experimental, se analiza la influencia de una limitación externa de

la velocidad de ejecución durante el proceso de aprendizaje en el CLT de 184

estudiantes universitarios. La condición experimental es la introducción en el

programa informático del CLT de una desactivación del ratón que impide al

participante responder hasta que ha transcurrido un segundo desde la anterior

pulsación.

Por último, el cuarto estudio trata de replicar las investigaciones anteriores

en una nueva prueba objetiva de aprendizaje diseñada ad hoc, El Bosque del Tesoro.

En una primera muestra de 83 estudiantes universitarios se analiza la relación de

las variables de ejecución con el rendimiento en la prueba. Posteriormente,

empleando esta misma prueba, se repite el diseño cuasi-experimental de limitación

de la velocidad con 184 estudiantes universitarios.

Los resultados señalan la relevancia del comportamiento del individuo

durante la resolución de las pruebas de aprendizaje y su relación con el nivel de

aprendizaje logrado. En concreto, la velocidad de actuación y la organización

resultan significativas para el rendimiento. Además, se observa que aquellos

participantes que autorregulan su velocidad durante la prueba logran mejores

resultados que aquellos que no lo hacen. Se demuestra que la regulación externa de

la velocidad también es útil en la promoción del aprendizaje. Se proponen posibles

vías de intervención en casos de estudiantes con problemas de aprendizaje

Resumen

3

originados por falta de autorregulación. Las propuestas se encaminan hacia el

entrenamiento de dicha práctica y hacia la modificación del entorno para la

promoción de conductas de aprendizaje más eficaces y adaptativas.

Abstract

5

ABSTRACT (English version)

Following a behavioural perspective, this thesis aims at analysing the process

of learning in students and the variables that favour and hinder it. Although

academic learning and performance have been widely studied, most of the scientific

literature addresses this process using a cognitive approach. Behavioural

psychology aims to explain an individual's behaviour as a function of changes in

context. It analyses relationships between elements of the context and between

these and the behaviour of the individual in terms of contiguity and contingency. On

the other hand, cognitive psychology studies behaviour as a function of the

knowledge attained by the individual. Its aim is to analyse how information is

incorporated and structured in individuals’ minds. Behaviour, from this perspective,

is a manifestation of this knowledge with an adaptive objective. This perspective

entails the use of a research methodology based mainly on the self-report of the

individual which, as is well known, suffers from different biases.

This thesis takes a different approach to the study of learning by objectively

assessing individuals’ behaviour during the learning process, analysing the

behavioural variables that promote effective performance. The main variables

studied are individuals’ response speed and the level of organisation shown while

trying to solve a learning task. The aim is to determine the effect of different

behavioural alternatives during learning under different contextual conditions. For

this purpose, two objective and computerised assessment tests are used, one of

them created ad hoc for the present thesis. Through the development of four

empirical studies, this phenomenon is studied in different populations and in two

different operant learning tests.

In the first study, the relevance of response speed and the order of the

sequence of responses in a category-learning task are analysed, using the Category

Learning Test (CLT) to measure the aforementioned variables. The sample consists

of 466 elementary school children aged 6 to 12 years. The relationship between

performance in this task and academic grades obtained in the academic year

corresponding to the time of assessment is also explored.

Abstract

6

In the second study, the same questions are studied, in this case in a

university population, under the assumption that the conclusions of the study might

be different in adults with greater learning ability. Eighty-six students took part in

the study and completed the CLT test.

In view of the results of the first studies, which indicate the relevance of

response speed for learning, the third study explores this issue further. This third

study uses a quasi-experimental design with two groups, control and experimental.

It analyses the influence of an external limitation of the response speed during the

learning process in the CLT of 184 university students. The experimental group was

limited by the introduction into the CLT software of a mouse deactivation that

prevents the participants from responding until one second has elapsed since their

previous response.

Finally, the fourth study attempts to replicate the previous research in a new

objective learning test designed ad hoc, the Treasure Forest. In a first sample of 83

university students, the relationship between execution variables and performance

on the test is analysed. Subsequently, using the same test, the quasi-experimental

speed-limiting design is repeated with 184 university students.

The results point to the relevance of the individual's behaviour during the

resolution of the learning tests and its relationship with the level of learning

achieved. In particular, response speed and organisation are significant for

performance. Furthermore, it is observed that those participants who self-regulate

their speed during the test achieve better results than those who do not. Besides,

external regulation of speed is shown to be useful in promoting learning. Possible

interventions are proposed for students with learning problems caused by a lack of

self-regulation. The proposals focus on the training of self-regulation and on the

modification of the environment for the promotion of more effective and adaptive

learning behaviours.

9

PRIMERA PARTE:

INTRODUCCIÓN TEÓRICA

11

PRIMERA PARTE:

INTRODUCCIÓN TEÓRICA

En el presente trabajo abordaremos una amplia cuestión: ¿Qué factores

conductuales se asocian con el aprendizaje? En concreto, trataremos de encontrar

características de la conducta de los individuos que faciliten la consecución de un

alto nivel de aprendizaje. Consideramos que estos factores podrían estar influyendo,

consecuentemente, en los resultados académicos de los estudiantes.

No obstante, antes de especificar los interrogantes que esta tesis aspira a

resolver, revisaremos los hallazgos y postulados científicos previos que han llevado

a formular dichas preguntas y trataremos de compartir con el lector el prisma desde

el que observamos y analizamos la psicología humana. La cuestión critica es qué es

el aprendizaje y cómo se debe analizar desde una perspectiva psicológica.

Capítulo 1: Aproximaciones al concepto y estudio del aprendizaje.

13

CAPÍTULO 1:

Aproximaciones al concepto y estudio del

aprendizaje.

La presente investigación aspira a conocer los factores conductuales que se

asocian con el aprendizaje y el rendimiento académico satisfactorio y los que se

asocian con las dificultades de aprendizaje y el rendimiento deficitario. Con el

objetivo de contextualizar este trabajo, en este primer capítulo realizaremos un

breve recorrido por las aproximaciones a dichas cuestiones surgidas con

anterioridad al presente estudio. Por último, trataremos de exponer el modelo desde

el que se estudiarán dichos interrogantes en esta investigación.

1. Perspectivas históricas en el estudio del aprendizaje y las

dificultades asociadas

El estudio del proceso de aprendizaje y de las dificultades asociadas se ha

abordado desde diferentes perspectivas. Históricamente, cabe destacar las

contribuciones de dos relevantes corrientes psicológicas: la corriente conductista y

la cognitivista y del procesamiento de la información.

1.1. Aproximación conductista.

Es a principios del siglo XX cuando nace la aproximación conductista,

centrada en el estudio de la conducta de los seres humanos. Esta perspectiva centra

el foco de atención en los hechos que pueden ser observables, con el objetivo de

hacer de la psicología una ciencia. Gran parte de las teorías e investigaciones de esta

corriente versan sobre el aprendizaje, es decir, sobre los cambios conductuales que

se producen en interacción con el entorno.


14

John B. Watson (1913) fue considerado como el fundador de la escuela

conductista desde el momento en el que declaró que el objeto de estudio de la

psicología debiera ser el comportamiento, en contraposición a los métodos

introspectivos imperantes que analizaban procesos mentales. Al mismo tiempo,

destacó el alcance de las técnicas de modificación de conducta recalcando la

relevancia papel del aprendizaje en la conducta. Se inicia así una escuela que pone

en valor la interacción con el ambiente y que se esfuerza en hacer de la psicología

una disciplina científica y no especulativa. Son estos planteamientos los que han

continuado siendo desarrollados hasta nuestros días, constituyendo los cimientos

en los que se fundamenta este trabajo.

Al igual que Watson, otro destacado autor inició sus estudios en conducta

animal y terminó por realizar una sustancial aportación a la psicología conductista.

Nos referimos a Iván Pávlov, fisiólogo coétaneo de Watson. En su fundamental texto

publicado originalmente en 1927 (Pavlov, 1960), establece la teoría del

condicionamiento de los reflejos, entendidos como respuestas o reacciones

automáticas a estímulos. La aportación de Pávlov sentó las bases del concepto del

aprendizaje, al estudiar la adquisición o aprendizaje de respuestas ante estímulos

que previamente no las elicitaban, es decir, al estudiar cambios observables en el

comportamiento producidos tras determinadas experiencias.

La declaración del segundo tipo de condicionamiento, el condicionamiento

operante, llegó de la mano de los psicólogos Edward Thorndike y Burrhus Frederic

Skinner. Thorndike estableció los cimientos sobre los que se elaboró la teoría del

aprendizaje operante mediante la formulación de la Ley del efecto:

“De las diferentes respuestas hechas en la misma situación, aquellas

que son acompañadas o seguidas inmediatamente por satisfacción para el

animal […] tendrán más posibilidad de repetirse; aquellas que son

acompañadas o seguidas inmediatamente por incomodidad para el animal

[…] será menos posible que se repitan. Cuanto mayor sea la satisfacción o la

incomodidad, mayor será el fortalecimiento o debilitamiento del vínculo”

(Thorndike, 1911, p. 244).”


15

Como puede observarse, el aprendizaje, de nuevo, se define como cambios

que se dan en el comportamiento debidos a la experiencia, poniendo el énfasis en

este caso en los estímulos que sucedían a la conducta, en lugar de en los que la

antecedían, como ocurría en el caso del condicionamiento clásico.

Skinner profundizó en el estudio de este fenómeno y acuñó el término de

condicionamiento operante. En su obra principal (Skinner, 1966), denomina

conductas operantes a todas aquellas conductas que se dan de forma libre y

espontánea, distinguiéndolas de las respuestas incondicionadas y condicionadas

señaladas por Pávlov. Las conductas operantes surgen de forma espontánea, y su

frecuencia de ejecución se ve alterada por los estímulos consecuentes a dicha

conducta. De esta forma, el aprendizaje de conductas se entiende de nuevo como

producto de la interacción con el ambiente, en este caso especialmente con los

estímulos que suceden a la conducta operante. Así, Skinner (1945) defendió lo que

él mismo denominaba conductismo radical, declarando la conducta como función del

ambiente experimentado.

Como podemos observar, dentro de esta inicial corriente conductista,

especialmente dentro del conductismo radical, no se incluye el estudio científico de

los procesos internos no observables. Más adelante, Skinner sí hará referencia a los

eventos privados, como el pensamiento o las sensaciones, los cuales considera

también conductas, adquiridas por los mismos procesos de aprendizaje operante

que las conductas motoras (Skinner, 1963). El pensamiento se trata de una conducta

encubierta que es observable por el propio individuo y, por tanto, igualmente

susceptible de análisis (Skinner, 1981). A partir de este momento, la corriente

conductista aspira a explicar cualquier fenómeno de la conducta humana.

De forma contemporánea a los estudios sobre el condicionamiento operante,

en la década de 1930, se desarrollaron las corrientes que se han sido denominadas

mediacionales o de segunda generación, desarrolladas también en el campo del

aprendizaje y la conducta animal. Podríamos destacar las aportaciones de Edward

C. Tolman y Clark L. Hull. Ambas teorías se acercan a una postura más cognitivista

que el conductismo radical, dado que destacan el papel de ciertas variables del

organismo intermedias entre el estímulo y la respuesta.


16

Tolman (1949) mantiene la asunción de la conducta observable como objeto

de estudio, pero la considera propositiva e intencional, es decir, señala que el

organismo tiene ciertas metas hacia las que dirige su conducta. Además, destaca la

existencia de variables intermedias como los mapas cognitivos. En sus experimentos

con ratas en laberintos, los animales aprendían el camino hacia la comida.

Analizando su capacidad de orientación espacial en diferentes exámenes concluyó

que no solo aprendían una secuencia de giros en el laberinto, sino que de alguna

forma aprendían una representación espacial amplia o expectativas sobre dónde

estaba localizada la comida (Tolman, 1948). De esta forma, Tolman alude a

conceptos cognitivos en base a sus observaciones de la conducta, acercándose a

aproximaciones más cognitivas del aprendizaje y a la inclusión de factores

motivacionales.

Por su parte, Hull también trató variables del individuo relacionadas con la

motivación. Su teoría presenta ciertas diferencias con los postulados de Tolman,

autor con el cual mantuvo productivos debates acerca del aprendizaje (Gondra,

2002). Hull (1943) planteó el aprendizaje como un proceso de formación de hábitos

motivado por impulsos básicos e innatos como el hambre, la sed o el deseo de

socialización o condicionados o vinculados a la satisfacción de dichas necesidades

como el dinero para asegurar la supervivencia del organismo. Los organismos

experimentan estos impulsos en forma de tensión y satisfacerlos supone un

refuerzo. De esta forma, la conducta tiene el propósito de satisfacer dichos impulsos,

siendo reforzada, es decir, teniendo mayor probabilidad de ser repetida. La

repetición de dichas conductas y de su posterior reforzamiento terminan por

configurar hábitos o asociaciones de estímulos-respuesta con diferente fuerza en

función de factores como la contigüidad entre la conducta y su refuerzo.

De esta forma, Hull, al igual que Tolman, introduce conceptos referentes al

“interior” del organismo, sin dejar de lado el estudio de la conducta como elemento

de análisis. Ambos autores sentaron las bases de una teoría que posteriormente

Staats desarrollaría, manifestando la existencia de una acumulación de

aprendizajes, en un caso en forma de “mapas cognitivos” y en el otro en forma de

“hábitos y motivaciones”.


17

También en la primera mitad del siglo XX, Jacob Robert Kantor realizó

importantes aportaciones mediante el desarrollo de su teoría interconductista,

aunque generalmente han sido desoídas (Hernández, 2000). Kantor plantea que el

objeto de estudio de la psicología lo debiera conformar el individuo en interacción

con el ambiente, el cual incluye a otros organismos y las diferentes situaciones a las

que el individuo se enfrenta (Kantor, 1978). Plantea esta interacción de manera

dinámica, donde el individuo influido por historia de interacciones previas

interacciona con el ambiente y a su vez dicha interacción modifica dicha historia y

por tanto influirá en posteriores situaciones. Asimismo, los elementos de la

situación interaccionan con el individuo de manera sincrónica a su interacción con

dichos elementos, de manera que no es posible determinar una direccionalidad o

causalidad en las interacciones. De esta forma, Kantor subraya el dinamismo de las

interacciones y la relevancia de su estudio y, además, introduce el concepto de la

historia de interacciones, también dinámica, y única para cada individuo, influyente

en dichas interacciones.

Los planteamientos conductistas radicales y mediacionales se vieron

enriquecidos décadas después por las aportaciones de psicólogos como Arthur W.

Staats, Albert Bandura o Donald Meichenbaum. Staats (1979, 1983) introdujo un

concepto clave en la corriente conductista: los repertorios básicos de conducta.

Señala que, mediante los procesos de aprendizaje, se van consolidando repertorios

comportamentales que se acoplan conformando la inteligencia del sujeto. Introduce

el concepto de aprendizaje acumulativo-jerárquico, mediante el cual señala que las

conductas previamente aprendidas constituyen la base sobre la cual se cimentarán

posteriores aprendizajes más complejos y nivel jerárquico superior. De esta forma,

los repertorios de conducta son el resultado del ambiente vivido en el pasado por el

organismo. Sin embargo, Staats considera que, al mismo tiempo, estos repertorios

de conducta actúan como causa del comportamiento presente dado que constituyen

las conductas que el individuo ha aprendido y por tanto posibilitan que una

conducta se emita. Las conductas que no han sido aprendidas previamente no

formarían parte de dichos repertorios y por tanto el individuo no podría emitirlas

en un momento dado. De esta forma, como Kantor hizo previamente, Staats hace

referencia a un cúmulo de aprendizajes que no solo son una variable dependiente

del ambiente, sino que también constituyen una variable independiente que influye


18

sobre la conducta. Consideró por ello de gran interés la evaluación de estos

repertorios básicos de conducta entendidos como competencias y potencialidades

del organismo. La teoría de Staats de los repertorios básicos de conducta ha

culminado en la que se denomina teoría del comportamiento humano (Santacreu,

Hernández, Adarraga y Márquez, 2002), conformando las variables disposicionales

del individuo. Sin embargo, el valor que se le otorga a estas variables en la actualidad

ha sufrido un importante matiz: pese a la relevancia sobre la conducta presente, el

rol de estos “repertorios básicos de conducta” no es el de variable independiente o

causal. Dicho papel continúa estando asignado a las variables del ambiente en el

momento presente. Las variables disposicionales actúan, como se explicará en

profundidad más adelante, determinando la posibilidad de un determinado

comportamiento, o determinando la probabilidad de unos u otros comportamientos,

como ya atisbaba Hull al mencionar los hábitos y las motivaciones. Por tanto, la

aportación de estos autores ha sido crucial para el desarrollo de la actual teoría del

comportamiento humano, no obstante, importantes variaciones han sido

necesarias.

Las contribuciones de Bandura (Bandura y Walters, 1974) se enmarcaron en

el modelo de aprendizaje social, sintetizado por Bernstein y Nietzel (1982), el cual

trataba de compendiar todos los enfoques conductuales surgidos hasta la época,

conservando el foco en el estudio de la conducta y su relación con el ambiente. Dicho

modelo continúa haciendo hincapié en el poder del ambiente para influir sobre la

conducta, aunque en este caso, destaca el papel del contexto social, es decir, la

presencia de congéneres y/o modelos en el contexto de aprendizaje. Esta

aproximación también tiene presente la historia de aprendizaje del organismo.

La aportación de Bandura (1977) al modelo de aprendizaje social fue crucial,

ya que postuló la existencia de un nuevo proceso de aprendizaje denominado

aprendizaje observacional, mediante el cual los organismos aprenden nuevas

conductas sin experimentar directamente sobre el contexto, por tanto, mediante un

proceso “nuevo” no reducible, según Bandura, a los procesos de condicionamiento

ya estudiados. Este proceso de adquisición de nuevas conductas ocurre cuando un

individuo observa a otro, llamado modelo, comportase en un contexto. El aprendiz

más adelante imitará al modelo, especialmente si éste fue reforzado tras la


19

realización de la conducta. Bandura de nuevo dedica su atención a la actividad

cognitiva y a su influencia en el aprendizaje, entendiendo que en el aprendizaje

observacional juegan un papel importante las representaciones simbólicas de las

situaciones y las personas. Destaca el papel de las atribuciones, concepto ya

introducido por Rotter (1954), reflexiones que realiza el individuo sobre la relación

entre la conducta emitida y sus consecuentes y, por tanto, de las expectativas de

autoeficacia que mantiene. Es decir, si el individuo que observa, atribuye que la

relación entre ejecutar una conducta y obtener el reforzador depende de quién sea

el que la ejecute, y no tanto del hecho de realizar dicha conducta, sus expectativas

de éxito serán bajas y, por tanto, ejecutará dicha conducta con baja probabilidad. Así,

Bandura señala que se puede aprender mediante observación, pero disocia el hecho

de aprender del de ejecutar la conducta aprendida. En general, Bandura admite que

llevar a cabo una determinada conducta no depende de que el sujeto haya aprendido

la relación entre dicha conducta y sus consecuencias, sino más bien de las

atribuciones causales que el propio sujeto asume respecto a dicha relación: la

consecuencia en este caso no es función de qué respuesta se realice sino de quién

realice dicha conducta. Así pues, de nuevo, Bandura, incide en procesos cognitivos

llegando a denominar a su planteamiento modelo cognitivo del aprendizaje social.

Al igual que Bandura, otros psicólogos de origen conductista (Meichenbaum,

Mahoney…) añaden elementos “cognitivos” a sus teorías, reconociendo la

complejidad de los pensamientos y conocimientos, no obstante, manteniendo que la

fuente de aprendizaje es la interacción con el medio. La cuestión aquí es diferente a

la planteada por Bandura. Como señalan Meichenbaum, Mahoney y otros autores no

conductistas como Ellis y Beck, las descripciones verbales de la conducta de la

persona en el contexto y sus consecuencias guían, probabilizan o explican el

comportamiento real, es decir, lo que realmente hacen. Lo aprendido por la

experiencia es describible mediante el lenguaje. Así, lo que la persona se dice, a sí

mismo o a los demás y, en general, imagina, reflexiona, etc., en definitiva, lo

cognitivo, tiene dos roles diferenciados. Por una parte, lo cognitivo (reflexiones,

pensamientos, expresiones verbales, imágenes) es parte de lo aprendido a través de

la experiencia (una parte de respuesta) y, por otra, es parte de la explicación, del

porqué de la particular respuesta o conducta del individuo.


20

A modo de resumen, podríamos destacar que la aproximación conductista

entiende el aprendizaje como cambios producidos en el comportamiento a causa de

la experiencia. Mediante los diferentes aprendizajes experimentados a lo largo de la

vida, cada individuo va conformando determinadas tendencias de comportamiento.

En cualquier caso, el ambiente tiene un papel primordial en la determinación de las

conductas de los organismos.

1.2. Aproximación cognitivista.

De manera paralela, la corriente cognitivista se fue desarrollando desde

1950, ejerciendo gran influencia en dos décadas después. Su origen es difuso y

carente de un manifiesto fundacional. Sin embargo, dos hechos son indudables:

surge como oposición al conductismo, reivindicando el estudio de los procesos

mentales no observables, y se ve determinada por la aparición de los ordenadores

que sirvió como metáfora para explicar el procesamiento de la información de los

humanos. Esta perspectiva concibe el aprendizaje como un proceso interno del

organismo que no puede observarse, siendo el conocimiento el resultado de dicho

proceso. La actuación o comportamiento de las personas depende de su

conocimiento, es decir, de sus representaciones mentales internas (Rivière, 1991).

La teoría de la Gestalt, con Max Wertheimer, Wolfang Köhler y Kurt Koffka

como iniciadores, puede concebirse como precursora de la corriente cognitiva. Esta

escuela, surgida en los años 20, estudia la conciencia y el pensamiento como una

totalidad organizada y estructurada, en contraposición a las asociaciones del tipo

estímulo-respuesta. Sostiene que el individuo atiende a los estímulos dotándoles de

sentido en función de sus aprendizajes previos, percibiéndolos como estructuras

organizadas y no como la mera suma de estímulos independientes. El aprendizaje

ocurre por Insight, una comprensión o entendimiento global de la situación que

aparece de forma repentina cuando la persona logra dotar de sentido a sus

elementos (Wertheimer, 1959).

Entre los psicólogos más destacados cercanos a la perspectiva cognitiva del

aprendizaje cabe destacar a Jean Piaget. El estudio de Piaget se centró en el

desarrollo ontogenético del infante desde su nacimiento hasta la adolescencia,


21

señalando la existencia de diferentes etapas caracterizadas por diferentes esquemas

y procesos mentales. Es decir, señala que el proceso de desarrollo no es lineal, sino

que se producen saltos entre estadios diferenciados. Los esquemas se entienden

como estructuras mentales que sirven para organizar y asimilar la información, los

cuales se ven modificados por dos procesos mentales: la asimilación y la

acomodación. Cuando se añade nueva información, interiorizando un evento e

integrándolo en un esquema existente, se produce la asimilación. Sin embargo,

cuando la anexión de nueva información requiere modificar el esquema previo para

poder incorporar de manera coherente los datos, se produce la acomodación.

Mediante estos dos procesos mentales el individuo va conformando su aprendizaje

(Piaget, 1978). De esta forma, Piaget otorga un gran valor al estudio del proceso del

conocimiento centrando se atención en los eventos que tienen lugar en el “interior”

de la mente. La teoría de Piaget se ha denominado constructivista por el énfasis

puesto en la construcción activa del conocimiento por el individuo.

Un contemporáneo de Piaget fue Lev Vygostki, aunque su fallecimiento se

produjo de forma mucho más prematura. Se acercó al estudio del desarrollo humano

desde un punto de vista social, e incluso, cultural, y ha tenido gran repercusión en la

corriente cognitivista. Su trabajo destaca la importancia del aprendizaje social,

destacando el papel de la cultura y el lenguaje. Dos conceptos clave de su teoría son

la zona de desarrollo próximo y el andamiaje. La zona de desarrollo próximo se

refiere a la distancia o diferencia que existe entre el nivel de desarrollo adquirido

por el niño, que se constituiría por los ejercicios que el infante es capaz de resolver

de forma independiente, y el nivel de desarrollo potencial, donde se encuentran

aquellas pruebas que sería capaz de resolver si contara con la guía o el apoyo de un

adulto o individuo más capacitado. Es aquí donde entra en juego el segundo

concepto: el andamiaje consiste en ese apoyo o guía que los adultos más capaces

proporcionan al aprendiz para ayudarle a desarrollar nuevos conocimientos

(Vygotsky, 1979). De esta forma, Vygotsky destaca la relevancia del contexto social

en el aprendizaje y de nuevo fija la atención en los procesos y estructuras mentales

internos del individuo.

David Ausubel (1976) elaboró una teoría del aprendizaje enfocada al

contexto educativo. Señala la importancia de lograr un aprendizaje significativo en


22

el cual lo aprendido se relacione con las estructuras de conocimiento adquiridas

previamente, organizándolo en estructuras y modificando las estructuras previas

para adaptarlas a la nueva información. Difiere de Piaget en algunos aspectos como

en el papel del descubrimiento por parte del aprendiz: Ausubel otorga más

importancia al método de transmisión del conocimiento del instructor y de los

materiales en sí mismos. Otorga también un papel activo al estudiante en cuanto a

la organización y relación del conocimiento con lo aprendido previamente. De esta

forma, Ausubel se centra también en los procesos “mentales” y dota al organismo de

un rol activo en el aprendizaje.

Como se puede intuir por las afirmaciones presentes en este manuscrito, así

como por la cantidad de líneas dedicada a cada una de las aproximaciones históricas,

el enfoque empleado en el presente trabajo se sitúa más cercano a la primera

perspectiva. No obstante, esta no es razón para negar las importantes

contribuciones de la perspectiva cognitivista a la psicología en general y, también, a

nuestra perspectiva en particular. Con los postulados de Wertheimer y Ausubel, sin

duda, compartimos la afirmación de que no todas las respuestas del individuo son

simples respuestas reflejas o aprendidas mediante condicionamiento clásico u

operante. El ser humano también reflexiona sobre su propia experiencia

construyendo proposiciones verbales acerca del mundo, las cuales parecen gozar de

gran complejidad y organización. Sin embargo, al contrario de lo que Wertheimer

considera, los comportamientos aprendidos atendiendo a las leyes del aprendizaje

asociativo no siempre se refieren a respuestas simples. Un niño aprende a encender

la luz pulsando el interruptor asociando ambos acontecimientos, pero también

aprende a comportarse educadamente para evitar una recriminación pública del

profesor. En nuestra opinión, tanto los aprendizajes mediados por el lenguaje y la

reflexión como los aprendizajes basados en asociaciones de estímulos y respuestas

son cruciales para el desarrollo del ser humano. En cuanto a la teoría de Piaget,

estamos de acuerdo en hay un ritmo de adquisición de conocimientos relacionado

con el desarrollo ontogenético de los individuos. Asimismo, como ya hemos

mencionado, consideramos de gran relevancia el papel de la reflexión sobre lo

experimentado en la interacción con el contexto en las todas fases del desarrollo,

especialmente, a partir del desarrollo del lenguaje. Asimismo, consideramos que las

competencias ya adquiridas constituyen cimientos que posibilitan nuevos


23

aprendizajes. No obstante, consideramos que su teoría de adquisición del

conocimiento desestima la influencia del ambiente y de los demás tipos de

aprendizaje, como el aprendizaje mediante el lenguaje e instrucciones. Las

aportaciones de Vygotsky tuvieron un gran eco en autores como Meichenbaum,

acerca del aprendizaje por modelos, el moldeamiento y el aprendizaje mediante

autoinstruciones. Este autor, al igual que Ausubel, destaca la relevancia del

aprendizaje en un contexto social en el que los expertos pueden transmitir sus

conocimientos a los más novatos. Sin duda, esta fuente de aprendizaje constituye el

grueso de la formación reglada en la actualidad, logrando que las competencias del

ser humano alcancen niveles cada día más sorprendentes.

1.3. Factores tradicionalmente relacionados con el aprendizaje desde ambas perspectivas.

Desde cada una de las diferentes aproximaciones al estudio del aprendizaje,

han nacido diferentes teorías acerca de los factores que pueden determinar un

mayor o menor nivel de aprendizaje. De nuevo, profundizar en cada una de estas

teorías excedería los objetivos de este trabajo, por lo que simplemente se

introducirán las variables más comúnmente mencionadas desde cada perspectiva

en relación a los problemas de aprendizaje, con el objetivo de contextualizar las

interrogaciones que se pretenden resolver aquí. Resulta completamente

inabarcable para este proyecto estudiar la totalidad de los factores que pueden

influir en el aprendizaje, por lo que solo una pequeña parte de las variables que se

presentan a continuación serán incluidas posteriormente en los objetivos de este

trabajo.

Desde la psicología cognitiva, se ha profundizado en las variables

individuales que puedan estar relacionadas con diferentes ritmos y logros de

adquisición de conocimiento. Por el contrario, desde la psicología conductista, el

énfasis se ha situado en la interacción con el ambiente, sin embargo, también se han

tratado algunos factores del organismo A continuación, se señalarán las principales

variables individuales que más se han relacionado con las diferencias de

aprendizaje.


24

• Inteligencia.

La inteligencia es un constructo sobre el que no se ha alcanzado pleno

consenso en su definición, concepción o evaluación. Sin embargo, sí parece haber

acuerdo en la influencia que ejerce sobre los procesos de aprendizaje.

Francis Galton fue de los primeros autores en señalar la relevancia de la

capacidad mental y dedicó parte de su carrera al estudio de las diferencias

individuales en dicha capacidad. Subrayó la heredabilidad de esta capacidad

(Molero, Saíz y Esteban, 1998), observando la superioridad cognitiva del ser

humano frente a otras especies animales, o mediante el análisis de las diferentes

capacidades de personas con trastornos genéticos.

Charles Spearman planteó la existencia de un único factor general de la

inteligencia, denominado factor g. Lo define como la capacidad general que subyace

a todo comportamiento inteligente. Dicho factor g puede desglosarse en múltiples

factores específicos o factores s, constituidos por habilidades concretas en

diferentes dominios. Posteriormente, Raymond Cattell, dedicado a la evaluación

psicológica, creó numerosas pruebas para evaluar la inteligencia (1943). Al

contrario que Spearman, en su teoría señala la existencia de dos factores generales

de la inteligencia diferenciados: la inteligencia fluida, referida a la capacidad de

aprender y resolver problemas, y la inteligencia cristalizada, referida al manejo del

conocimiento previamente adquirido. Es decir, no se hace referencia a una única

capacidad mental, sino a dos tipos de capacidades cualitativamente distintas. La

inteligencia fluida se relaciona con aptitudes de razonamiento espacial, velocidad de

procesamiento y memoria, determinada en gran parte genéticamente. La

inteligencia cristalizada es una aptitud mediada por el lenguaje, derivada del

aprendizaje, y por tanto influida por la experiencia y la socialización.

Esta polémica entre la existencia de uno o varios factores de inteligencia se

ha mantenido hasta nuestros días. Gardner (2001) habló de inteligencias múltiples,

incluyendo capacidades como la kinestésica o musical. Posteriormente, Salovey y

Mayer (1990) acuñaron el concepto de inteligencia emocional. Por otra parte, el

concepto de Cociente Intelectual tiene sus orígenes en Alfred Binet, quien introdujo

por primera vez la noción de un cociente entre la capacidad del individuo y la


25

capacidad esperada según su edad cronológica. Creó la Escala de Inteligencia

Stanford-Binet que permite evaluar la inteligencia en función de la edad y comparar

con el resto de la población en la misma etapa de desarrollo (Terman y Merrill,

1937).

Desde el enfoque conductista no se ha prestado especial atención a la

inteligencia ya que el foco de interés se ha situado en las interacciones con el

ambiente. Desde esta perspectiva, el comportamiento inteligente es fruto del

desarrollo ontogenético como consecuencia de la interacción del sujeto con el

contexto. La inteligencia consiste en la capacidad de trasferir aprendizajes entre los

diferentes contextos, esto es, de generalizar y discriminar adecuadamente. Es

necesario para ello atender a los estímulos relevantes, sensibilizar y habituar según

sea pertinente, generalizar o discriminar adecuadamente en un contexto y transferir

lo aprendido en un contexto a otro similar o, aprender cuales son las posibles

respuestas eficaces en el nuevo contexto. No se niega la influencia genética en la

inteligencia, ésta determina una potencialidad, es decir, posibilita que se desarrollen

ciertas capacidades y limita el desarrollo de otras. Sin embargo, la influencia del

ambiente será crucial en el desarrollo. El logro del máximo aprendizaje en el menor

tiempo posible no ha sido un tema de interés, sino que se han estudiado las leyes

generales de aprendizaje comunes a todos los individuos.

En cualquier caso, hay un amplio acuerdo respecto a la influencia de la

capacidad intelectual sobre el aprendizaje y, por tanto, sobre el rendimiento

académico. Naturalmente, cuánto más haya aprendido y experimentado un

individuo a lo largo de su desarrollo, mayor facilidad presentará para aprender en

nuevos contextos. Numerosos estudios han investigado la relación de la inteligencia

con el aprendizaje y el rendimiento académico en múltiples poblaciones, utilizando

para ello diferentes pruebas de inteligencia y diferentes medidas de desempeño

académico.

Un reciente meta-análisis llevado a cabo por Roth et al. (2015) examinó la

relación entre la inteligencia evaluada con diferentes test estandarizados y el

rendimiento académico. Incluyeron en su análisis 240 estudios y encontraron una

alta correlación de ρ =.54 entre ambas variables.


26

La mayoría de las investigaciones incluyen test que evalúan factor g o escalas

de Cociente Intelectual. Un ejemplo lo constituye el estudio de Mayes et al. (2009),

en el cual evalúan el CI mediante una versión abreviada de la clásica escala Weschler

para niños (WISC-IV, 2003) y encuentran que el CI es el mejor predictor del éxito

académico por encima de otras pruebas neuropsicológicas.

No obstante, otros investigadores han optado por evaluar el efecto de otros

tipos de inteligencia en los resultados académicos como, por ejemplo, las

inteligencias denominadas emocionales (Agnoli et al., 2012; Parker et al., 2003;

Sanchez-Ruiz et al., 2012). Es natural que competencias relacionadas con conocer,

identificar, y gestionar las propias emociones puedan tener repercusión en los

aprendizajes académicos, dado que factores como la ansiedad, en cuanto valores

extremos de la activación del individuo, afectan negativamente al rendimiento. De

esta forma, la relación entre la capacidad intelectual, entendida y evaluada de

múltiples formas, y el rendimiento académico, ha sido ampliamente demostrada.

Pese a algunos solapamientos entre el constructo de la inteligencia y los que

veremos a continuación, analizaremos estos últimos de manera independiente, dada

su trascendencia en la tradición del estudio del aprendizaje.

• Atención.

De la misma forma que ocurre con los anteriores conceptos y la mayoría de

los constructos psicológicos, la atención tampoco cuenta con una definición

unánime. Múltiples formulaciones comparten la idea de que el grado de atención

determina el procesamiento de la información y de los estímulos del entorno.

Atender a unos u otros estímulos provoca que algunos de ellos se procesen de forma

prioritaria mientras que otros se desprecian (Tudela, 1992). Este hecho es crucial

dado que nuestros recursos cognitivos son limitados y resultaría imposible procesar

todos los estímulos de nuestro entorno de forma plena y constante (Kahneman,

1997). En el momento presente, el lector podrá percatarse de que se encuentra

centrado en este texto, obviando diferentes estímulos visuales, auditivos, olfativos,

táctiles e incluso interoceptivos de su alrededor. Esta priorización en el


27

procesamiento de los estímulos es una de las características más definitorias del

proceso de la atención.

En algunos modelos se han destacado las propiedades de los estímulos para

“atraer” la atención. La capacidad de atracción de un estímulo puede variar en

función de sus características físicas (por ejemplo, una mayor saliencia debido a

colores llamativos), o de su relación con funciones básicas del organismo como la

supervivencia o la reproducción (por ejemplo, estímulos relacionados con un

peligro) (NothDurft, 1992; Theeuwes, 2004). Estos modelos han sido denominados

bottom-up, por la importancia que otorgan a los estímulos. Algunos autores con los

que coincidimos subrayan la relevancia de la relación entre dichos estímulos y la

historia previa de aprendizaje del sujeto que los percibe, señalando que se atenderá

en mayor medida a unos u otros estímulos en función de lo experimentado

previamente (George y Pearce, 2012; Dopson et al., 2010; Feldmann-Wüstefeld et

al., 2015). Por otra parte, otros investigadores hacen hincapié en la atención como

capacidad del organismo, considerándola un proceso voluntario o top-down (Folk et

al., 1992; Egeth et al., 2010). Se destaca aquí la intención del individuo de dirigir su

atención hacia estímulos que a priori no la atraigan por sí mismos, como puede estar

ocurriéndole en este momento al lector de este trabajo.

La tradición cognitiva, especialmente desde las teorías del procesamiento de

la información, se focalizó en el estudio de los procesos top-down, en las capacidades

y limitaciones del individuo, las diferentes fases y estadios del procesamiento de la

información, etc. De esta forma, se estudiaba la atención en el interior de la mente

humana tratando de establecer semejanzas con el funcionamiento de los

ordenadores. Por el contrario, la tradición conductista no ha dedicado grandes

esfuerzos al estudio de la atención. Sin embargo, los autores que sí lo han hecho, se

han enfocado en el proceso de atención bottom-up, destacando la capacidad de

determinados estímulos para atraer la atención de los individuos, es decir,

subrayando la relevancia del ambiente en los procesos atencionales.

La mayoría de los autores coinciden en que ambos mecanismos, top-down y

bottom-up, están implicados en el desarrollo de la atención (Desimone y Duncan,

1995; Theeuwes, 2010) y diferencian los procesos de seleccionar estímulos,

sostener la atención en el tiempo y controlar las respuestas (García-Sevilla, 1997).


28

Generalmente, se han señalado estos tres tipos de procesos o de atención: la

atención sostenida o el proceso de mantener la atención en un determinado

estímulo sobre un periodo de tiempo continuado; la atención selectiva o la

capacidad de orientar la atención hacia determinados estímulos y, al mismo tiempo,

de inhibir la atención hacia otros estímulos distractores; y la atención dividida o la

capacidad de atender a más de un estímulo relevante de forma simultánea. Además,

algunos autores señalan un componente de control de la ejecución o control

atencional, como un mecanismo de gestión de la atención dirigiéndola en función de

las metas e inhibiendo comportamientos irreflexivos o impulsivos (Castillo, 2009;

García-Sevilla, 1997).

Múltiples estudios se han realizado evaluando la relación entre los procesos

de atención y el aprendizaje y los resultados académicos, especialmente a raíz de la

concepción del Trastorno del Déficit de Atención e Hiperactividad (TDAH) como

categoría diagnóstica. Muchos estos estudios toman como muestra a individuos

diagnosticados de TDAH, principalmente niños, y comparan su rendimiento con el

de otra muestra sin diagnóstico establecido. Mayes y Calhoun (2007) analizaron las

diferencias en aprendizaje, atención, escritura y velocidad de procesamiento entre

niños con diferentes patologías y niños con desarrollo típico. Los niños

diagnosticados de TDAH rindieron peor que los controles en todos los ámbitos, e

incluso peor que niños diagnosticados de ansiedad, depresión y trastorno

negativista-desafiante. Es más, los niños con TDAH mostraron mayores problemas

de aprendizaje incluso que aquellos con autismo. Arnold et al. (2015) sintetizaron

los resultados de 176 estudios longitudinales, mostrando que los individuos

diagnosticados y no tratados de TDAH rinden peor en test de aprendizaje y obtienen

peores resultados académicos que los controles. Estos resultados son esperables en

la medida en la que un estudiante con una capacidad de control de la atención poco

desarrollada experimentará dificultades para procesar los estímulos relevantes del

medio y por tanto para aprender en interacción con éstos.

Dejando a un lado las patologías de la atención, en la tradición de la psicología

educativa la falta de atención aparece como un factor relevante en la aparición de

problemas de aprendizaje. En este contexto se maneja un modelo top-down. Parece

evidente que, si no se atiende a un estímulo, no se procesa dicha información y no


29

puede aprenderse de dicha experiencia. Horn y Packard (1985) realizaron un meta-

análisis y encontraron que, en población sana, uno de los mejores predictores del

desempeño académico durante la educación básica son las dificultades de atención,

como la tendencia a la distracción y la falta de concentración.

De esta forma, la atención y, especialmente, los problemas de atención, han

sido una de las variables más frecuentemente relacionadas con las dificultades de

aprendizaje.

• Motivación y autoconcepto.

Desde una perspectiva diferente a las anteriores, numerosos investigadores

señalan factores determinantes del aprendizaje no relacionados con capacidades o

competencias, sino con cuestiones motivacionales y de autoconcepto. De forma

general, se entiende que para aprender algo nuevo es necesario que se den las

características del contexto que lo permitan y que el aprendiz tenga la capacidad de

aprenderlo, pero, además, en muchas ocasiones es también necesario que el

aprendiz presente cierta motivación por aprender. Se introducen, por tanto, los

componentes volitivos o motivacionales en la ecuación del aprendizaje. La

motivación es un fenómeno complejo que se ha abordado desde múltiples enfoques

(González Cabanach et al., 1996).

Desde la perspectiva cognitiva se afirma que, pese a que un estudiante tenga

un cociente intelectual destacado, sea capaz de atender de forma apropiada, de

procesar y recordar la información, si no goza de un autoconcepto positivo o no

presenta motivación por aprender, es posible que presente dificultades para

hacerlo. Así, tradicionalmente la motivación se ha entendido como un factor de

dentro del organismo que le impulsa a determinadas conductas.

Por otra parte, desde la perspectiva conductual, autores como Staats ponen

el énfasis en el contexto. Staats (1997) propone el aprendizaje de tres funciones:

señala que los estímulos tienen componentes discriminativos, motivacionales-

emocionales y reforzantes. Los componentes motivacionales-emocionales aluden a

la capacidad de los estímulos de provocar emociones, esto es, un determinado valor

motivacional para cada individuo. Este valor se adquiere por su asociación con otros


30

estímulos que previamente poseyeran dicho valor motivacional (Staats, 1979;

1997). Así, los procesos de aprendizaje harán que múltiples estímulos adquieran

dicha capacidad y que por tanto se conformen repertorios motivacionales-

emocionales para cada individuo que tendrán repercusión sobre su conducta. Staats

se fundamentó en la teoría planteada previamente por Hull de hábitos y

motivaciones, en la cual, como se ha mencionado previamente, explicaba que la

conducta venía motivada por impulsos básicos e innatos como el hambre, la sed o el

deseo de socialización o por impulsos condicionados o vinculados a la satisfacción

de dichas necesidades, como el dinero, para asegurar la supervivencia del

organismo. Desde el análisis de conducta o conductismo radical, se ha propuesto una

visión alternativa de la motivación como un elemento de fuera del individuo, que se

inició con Keller y Schoenfeld (1979) y ha continuado con Catania (1998) y Michael

(1993). Se plantea el concepto de operación de establecimiento (Keller y Schoenfeld,

1979; Michael, 1993) que se define como un estímulo o condición del ambiente que

afecta al individuo alternando de forma transitoria el poder de los refuerzos y la

frecuencia de emisión de conductas relacionadas con esos refuerzos. El ejemplo más

clásico es la deprivación de alimento: cuando un individuo se ha visto privado de

alimento durante un periodo de tiempo, esta circunstancia aumentará el poder de la

comida como refuerzo y al mismo tiempo aumentará la frecuencia de las conductas

del individuo encaminadas a conseguir dicho refuerzo.

Asimismo, la motivación también ha sido planteada en términos de

activación como ocurre en el caso de la famosa curva de Yerkes-Dodson sobre

rendimiento y motivación. Señalan que la relación entre la motivación y aprendizaje

no es lineal sino en forma de U invertida: ha de alcanzarse el nivel óptimo de

activación para que el aprendizaje se produzca. Niveles de activación demasiado

altos o demasiado bajos harán que el rendimiento se vea alterado.

En conclusión, se admite que cualquier tipo de aprendizaje, desde los

aprendizajes meramente perceptivos, exigen un mínimo nivel de motivación,

entendida como activación o predisposición a la acción. Diferentes condiciones

ambientales pueden influir sobre el aprendizaje siendo la motivación la variable

mediadora.


31

La dirección hacia la cual se orienta la motivación ha sido denominada, desde

el punto de vista cognitivo, metas. En concreto, en el ámbito del aprendizaje reglado,

el modelo de metas académicas plateado por autores como Ames (1984), Nicholls

(1984) o Dweck (1986) trata de explicar la relación entre la motivación y el

rendimiento académico. Señalan la existencia de dos tipos de motivaciones, metas u

objetivos académicos: de rendimiento o de aprendizaje. Las personas cuya

motivación se orienta hacia el aprendizaje se implican en las tareas académicas

movidos por el deseo de aprender, de desarrollarse, de mejorar sus conocimientos

y capacidades, etc. Sin embargo, las personas con motivación orientada al

rendimiento realizan las tareas académicas con el fin de obtener una calificación

adecuada, de mostrar su valía a los demás o de obtener valoraciones positivas.

Posteriormente, Elliot (1999) propone la existencia de una dimensión adicional de

aproximación-evitación. Las personas con orientación de rendimiento de tipo

aproximación actuarían con el objetivo de conseguir un rendimiento superior a los

demás y obtener reconocimiento positivo mientras que las personas con orientación

de rendimiento de tipo evitación lo harían con el objetivo de evitar el fracaso y los

juicios negativos.

Los extensos análisis factoriales de Shi et al. (2001) analizando los

autoinformes de los estudiantes al respecto de sus motivos para llevar a cabo el

trabajo escolar concluyen que la motivación orientada al aprendizaje y la orientada

al resultado se asocian a distintas estrategias cognitivas para la resolución de las

tareas. Shi et al. (2001) señalan que, a la hora de resolver una tarea, los escolares

con orientación hacia el aprendizaje emplean estrategias cognitivas denominadas

profundas, como el repaso, la vigilancia controlada de su actuación o la asociación

del contenido de la tarea con el conocimiento previo. Sin embargo, los niños

orientados hacia el resultado, utilizan atajos como conjeturar, darse por vencido o

intentar terminar rápidamente. De igual forma, Elliot, McGregor y Gable (1999)

encuentran que las personas orientadas al aprendizaje son más persistentes, se

esfuerzan más y procesan la información de forma más profunda, mientras que las

personas orientadas hacia el rendimiento lo hacen de forma superficial. Señalan que

la orientación de aprendizaje predice un mejor rendimiento académico. Sin

embargo, la relación entre las metas y el rendimiento académico no aparece

constante en todas las investigaciones (Linnenbrink-Garcia, Tyson, y Patall, 2008).


32

Algunos autores como Dompnier, Darnon y Butera (2009) señalan que puede

deberse a razones de conveniencia social, por las cuales los alumnos tratan de

transmitir apego por las metas socialmente más deseables, es decir, las metas de

aprendizaje. Bajo nuestro punto de vista, a la luz de estos resultados entendemos

que parece existir relación entre las proposiciones verbales que cada individuo ha

generado sobre sí mismo y sobre sus deseos, y las conductas que se ejecutan cuando

se trata de aprender o resolver una tarea y, en consecuencia, con los resultados

obtenidos.

Por último, un concepto ligado al constructo de la motivación ha sido el de

autoconcepto. El autoconcepto ha sido definido desde la aproximación cognitiva

como un sistema de percepciones y creencias que un individuo tiene sobre sí mismo

(Purkey, 1970; Shavelson et al., 1976). Estas creencias se van conformando a lo largo

de la vida de la persona en función de sus experiencias y de las atribuciones que hace

sobre éstas, y tratan sobre las cualidades, atributos, roles, etc. que una persona

considera que posee (Núñez y González- Pienda, 1994). Markus (1983) propone que

el autoconcepto también incluye las ideas que tiene el sujeto sobre lo que le gustaría

ser y no es, y sobre lo que teme llegar a ser, de manera que este sistema de creencias

influye sobre las metas y motivaciones del individuo y, por tanto, sobre la conducta

dirigida a esas metas.

Albert Bandura también planteó el problema de las creencias de la persona

respecto a sí mismo, apoyándose en el concepto de atribuciones causales y “locus of

control” de Julian B. Rotter. Explica que la autoeficacia percibida, es decir, las

creencias de un individuo acerca de su capacidad para llevar a cabo una tarea con

éxito, tiene una influencia en las conductas que posteriormente llevará a cabo. Por

ejemplo, si el estudiante no se considera capaz de superar una prueba,

probablemente invertirá menos esfuerzo en su preparación, no persistirá ante las

dificultades, etc. (Bandura, 1982, 1993, 1997; Zimmerman et al., 1992).

Numerosos estudios subrayan la relevancia del autoconcepto para el

rendimiento académico, planteando que si una persona considera que tiene

dificultad para superar una materia o que no tiene capacidad para comprender

ciertas disciplinas, será difícil que logre obtener buenos resultados en esas áreas de

conocimiento, pese a que las creencias que tenga sobre sí misma puedan ser


33

erróneas. Señalan la existencia de un constructo denominado auto-concepto

académico, referido a las creencias que un estudiante tiene sobre sus habilidades y

capacidades en el contexto académico. Marsh y Martin (2011) realizaron un estudio

analizando el rol del autoconcepto en el ámbito académico y señalan que progresos

en el autoconcepto provocan mejoras en el rendimiento. Guay et al. (2010)

confirman esta relación y matizan que se ve mediada por un aumento en la

motivación académica autónoma, esto es, una motivación por las tareas académicas

no controlada por terceros, como sería una obligación impuesta por sus padres, sino

por razones intrínsecas a las tareas originadas por el propio individuo como, por

ejemplo, considerar que la escuela es importante o divertida. Huang (2011) realizó

un meta-análisis de 39 estudios longitudinales que evidencian la asociación entre

un autoconcepto positivo evaluado mediante autoinforme y el posterior éxito

académico medido a través de las calificaciones.

En ocasiones, un autoconcepto negativo puede conllevar una escasa

motivación, ya que, si el individuo no percibe como factible la consecución de una

meta, podrá disminuir su deseo por dicho objetivo. Como antes indicábamos, Guay

et al. (2010) señalan que la variable mediadora entre el autoconcepto y los

resultados académicos es la motivación.

Los analistas de conducta también afirman el poder de las verbalizaciones o

creencias del propio del individuo sobre la conducta, pudiendo constituir funciones

de establecimiento. Es decir, un estímulo verbal que explicite las contingencias a las

que se verá sometido el individuo podrá tener influencia sobre su posterior

comportamiento (Blakely y Schlinger, 1987; Froján et al., 2010; Martin y Pear,

1998). Así, un estudiante que se diga a sí mismo que por mucho que estudie no

logrará aprobar, esto es, que su conducta no se verá asociada a un reforzador,

probablemente disminuya la intensidad o frecuencia de su conducta de estudio.

En resumen, la motivación, aquellos estímulos que mueven la conducta del

individuo, así como las verbalizaciones que las personas presentan sobre sí mismas

y sus capacidades o dificultades para alcanzar determinados consecuentes, influyen,

finalmente, en el nivel de aprendizaje alcanzado.


34

• Metacognición, estrategias de aprendizaje y autorregulación

Una vez que un estudiante reúne todas las condiciones que hemos ido

señalando, es decir, posee las competencias cognitivas necesarias para aprender,

posee un adecuado nivel de motivación y presta atención a las tareas, podríamos

suponer que obtendrá un buen resultado. Sin embargo, diversos estudios muestran

que es necesario que se dé un paso más: el estudiante ha de ser capaz de gestionar

su propio proceso de aprendizaje.

El término metacognición fue acuñado por Flavell (1979) y se refiere al

conocimiento que un invividuo tiene acerca de su propio conocimiento y los

procesos que le llevan hasta él, como el aprendizaje, la memorización, la

comprensión, etc. De esta forma, resalta la importancia que tiene para el aprendiz

monitorizar su propio proceso de aprendizaje y los resultados de éste. Desde

entonces, han surgido múltiples modelos describiendo la metacognición y las

facetas que abarca. Dos dimensiones que parecen claramente consensuadas y que

se han planteado desde los inicios son: el conocimiento sobre la cognición y la

regulación de ésta. Es decir, no se trata únicamente de conocer el proceso de

aprendizaje sino también de tener la capacidad de ajustarlo en caso necesario

(Hartman, 2001).

La autorregulación, en cuanto capacidad de ajustar la propia actuación

durante el aprendizaje en pos de los objetivos académicos personales, podría

considerarse una faceta del constructo de la metacognición (Brown y DeLoache,

1978). Otros autores lo consideran como un concepto de orden superior (Winne,

1996; Zimmerman, 1995) por lo que en muchos casos se ha estudiado de forma

independiente. En otras ocasiones, metacognición y autorregulación se tratan como

sinónimos. La autorregulación ha sido definida como un proceso por el cual los

estudiantes ponen en marcha diferentes habilidades cognitivas para lograr el éxito

académico. No se trata de una capacidad mental solidificada o un rasgo que se posee

o no, sino como un proceso que se lleva a cabo en determiandas situaciones

(Zimmerman, 2002). Panadero (2017) menciona que el aprendizaje auto-regulado

es un paraguas conceptual desde el cual se entienden los aspectos cognitivos,

motivacionales y emocionales del aprendizaje. La mayoría de los modelos sobre

autorregulación formulados coinciden en que implica componentes de


35

planificación, monitorización, evaluación y adaptación de los procesos de

aprendizaje.

Por otra parte, las estrategias de aprendizaje se han definido como un

conjunto de procedimientos que el estudiante lleva a cabo para conseguir

determinadas metas de aprendizaje (Genovard y Gotzens, 1990; Schunk, 1991). El

término estrategia hace referencia a un plan para alcanzar un objetivo, por lo tanto

relaciona también habilidades y competencias metacognitivas con elementos

motivacionales (Valle Arias et al., 1999). Se han señalado diferentes tipos de

estrategias de aprendizaje, como por ejemplo las estrategias de adquisición de la

información, estrategias de codificación de la información, estrategias de

recuperación de la información y estrategias de apoyo al procesamiento (Román y

Gallego, 1994). Ejemplos de estas estrategias serían el uso de reglas mnemotécnicas,

de diagramas de organización de la información, hacerse preguntas, etc.

Como se puede observar, los tres constructos se asemejan y en ocasiones su

delimitación conceptual no está clara (Veenman et al., 2006). En cualquier caso, cabe

destacar la relación que se ha establecido entre todos ellos y el rendimiento

académico. Dos meta-análisis señalan la relación entre los resultados académicos y

los procesos metacognitivos de autorregulación y las estrategias cognitivas durante

las etapas escolares primaria y secundaria, evaluados mediante diferentes métodos,

incluyendo tanto autoinformes como medidas directas del comportamiento (Dent y

Koenka, 2016). También a nivel universitario, Vrugt y Oort (2008) señalan el

impacto positivo en los resultados de los exámenes del uso autoinformado de

estrategias metacognitivas.

Como su propio nombre indica, el ámbito de la metacognición se ha estudiado

principalmente desde la tradición cognitivista. Pese a que las teorías conductistas

relacionadas con la metacognición y autorregulación no hayan gozado del mismo

reconocimiento, algunos de estos conceptos tienen sus correlatos en textos

conductistas bajo diferente denominación, como puede ser la teoría del control de

la acción de Kulh (1986).

En definitiva, nos encontramos aquí con una serie de competencias de

reflexión sobre el propio aprendizaje, así como de adaptación y ajuste de la propia


36

actuación que se relacionan con el rendimiento. Como es natural, estas

competencias influirán en la posibilidad de desarrollar nuevos aprendizajes

complejos y, por tanto, en los resultados académicos de los estudiantes. Por la

relevancia para este trabajo de estos conceptos, específicamente de la

autorregulación, dedicaremos más adelante un capítulo completo a este proceso.

1.4. Consideraciones finales.

En estas últimas páginas hemos realizado un brevísimo recorrido por la

historia de la psicología del aprendizaje. La corriente conductista supuso una

revolución en el campo del aprendizaje que, hasta ese momento, se reducía a la

adquisición de conocimiento. Mediante procedimientos empíricos, pudo establecer

la existencia de diferentes formas de aprendizaje. Posteriormente, la psicología

cognitiva surge como contraposición a la psicología conductista, con el objetivo del

estudio de la mente y del conocimiento de las personas más allá de lo que

consideraban aprendizajes simples y conductuales. La incorporación del

procesamiento de la información supone un alivio para la Psicología Cognitiva frente

a la presión de las posiciones conductistas, proporcionando una estructura basada

en inputs y outputs que permitía explicar por semejanza la mente humana.

La Psicología Conductista y la Cognitiva apenas han intentado aproximar sus

puntos de vista. Sus definiciones apenas coinciden y parecen hablar en distintos

idiomas sobre las mismas cosas. Sus planteamientos son claramente diferentes. Solo

se han compartido descripciones similares cuando se han enfrentado a problemas

prácticos. Sin embargo, históricamente, se han dirigido a problemas relevantes en

ámbitos muy distintos: a) la Psicología Clínica, desde la psicología conductista que

entiende el tratamiento como aprendizaje y b) la Psicología Educativa, desde la

perspectiva cognitiva, en la que se trata de ajustar el proceso de aprender a cada

individuo, a fin de lograr un mismo y alto nivel en todos ellos.

La llamada psicología cognitiva-conductual, es quizás el único intento exitoso

de combinar ambas perspectivas. Un modelo que, pasados los años sin ningún

intento serio de unificar conceptos y supuestos epistemológicos, solo ha sido exitoso

en la práctica clínica. El modelo cognitivo-conductual no se ha integrado en el campo


37

de la enseñanza reglada ni asume los planteamientos teóricos derivados de la

metáfora del ordenador.

El problema que se plantea la psicología educativa es dar respuesta a la

observación de grandes diferencias en el nivel de conocimiento alcanzado en un

grupo de individuos de la misma edad, con la misma experiencia educativa previa y

durante un determinado periodo de tiempo. La psicología cognitiva,

tradicionalmente, buscó las diferencias en el conocimiento logrado, en las aptitudes

iniciales de los niños. Este planteamiento de la psicología cognitiva entronca con el

planteamiento tradicional del estudio de las diferencias individuales. Actualmente,

el foco de investigación de la psicología educativa está centrada, en primer lugar, en

el ajuste de los planes de estudio escolares al proceso evolutivo del niño; en segundo

lugar, al análisis de variables motivacionales, tanto las intrínsecas del escolar como

las variables motivacionales inducidas en el propio proceso de aprendizaje. En el

momento presente la vasta mayoría de las investigaciones en este campo parten del

modelo cognitivo del aprendizaje.

En los siguientes capítulos presentaremos el prisma desde el que se enfoca

este trabajo, derivado de las teorías presentadas; y plantearemos nuestros propios

interrogantes en el campo de la piscología del aprendizaje.

2. La teoría del comportamiento humano.

Este trabajo se enmarca en la teoría del comportamiento humano formulada

por Santacreu, Hernández, Adarraga y Márquez (2002) que pretende aunar las

primeras teorías conductistas propuestas por Watson, Pavlov o Skinner con

modelos de la conducta más complejos que se han propuesto con posterioridad

(Kantor, 1978; Ribes, 1990; Ribes y López, 1985; Staats, 1997).

Las primeras teorías conductistas fueron formuladas a principios del siglo XX

y conformaron un novedoso enfoque desde el que acercarse al estudio psicológico:

el análisis del comportamiento humano. Como mencionamos en el anterior capítulo,

Watson propuso en 1913 que el objeto de estudio de la psicología lo había de

constituir el comportamiento observable, en contraposición a los métodos más


38

introspectivos imperantes en la época. Este planteamiento se incluye en el presente

enfoque, con considerables matizaciones que introduciremos más adelante. La

cuestión crítica es qué es el comportamiento y cómo se debe analizar desde una

perspectiva psicológica.

Asimismo, las teorías de aprendizaje por condicionamiento clásico y por

condicionamiento operante de Pavlov (1960) y Skinner (1966) son asumidas por el

modelo de comportamiento humano que proponemos, como formas de aprendizaje

constantes en la vida del ser humano que subyacen a aprendizajes, a simple vista

más complejos, como los que se dan en la formación reglada. Dado el alcance de los

planteamientos de estos autores, comprendemos que el lector los conoce y

emplearemos términos originales de sus teorías. Más allá de los tipos de

condicionamiento específicos que explican en sus postulados, un elemento común

en sus teorías que resulta clave para el presente modelo es la perspectiva funcional.

Desde esta perspectiva, los comportamientos se analizan según su función, esto es,

según su relación con el contexto. Se considera que el aprendizaje se produce en

interacción con el entorno como una forma de adaptación a éste y es esa relación

con el entorno la que otorga su función al comportamiento y, por tanto, lo define

(Bouton, 2007).

Posteriormente, en relación con esto, Kantor (1978) acuñó el término

interconductismo señalando que el objeto de estudio debiera ser la interconducta,

esto es, la interacción entre la conducta del individuo y los estímulos del entorno. De

su planteamiento se refuerzan nuevas concepciones del concepto de

comportamiento y del objeto de estudio de la psicología. Por ejemplo, en principio,

el movimiento de extensión del brazo no debiera ser considerado un

comportamiento objeto de estudio de la Psicología, sino de otras disciplinas como la

Medicina o la Fisiología. Sin embargo, sí lo sería de la Psicología el acto de extender

el brazo para pulsar el interruptor de la luz, dado que es su relación con el contexto

la clave del análisis. Los cambios en el comportamiento vienen determinados por la

interacción entre extender el brazo y que la bombilla alumbre, es decir, por su

interacción con el entorno. Años más tarde, Ribes (1999) recoge y desarrolla este

planteamiento, señalando como objeto de estudio la función estímulo-respuesta,

esto es, la relación de contingencia entre ambos. Ribes también postuló acerca de la


39

relevancia de los aprendizajes previos del individuo y desarrolla una teoría sobre la

conformación de estilos interactivos específicos para cada individuo, que podrían

ser entendidos como variables de personalidad. Estos estilos interactivos cobran

gran importancia en la predicción del comportamiento futuro. Sin embargo, fue

Staats (1979) el pionero en plantear la noción de los repertorios básicos de

conducta, destacando la importancia de la historia de aprendizaje previa del

individuo en su comportamiento presente.

En resumen, como desarrollaremos en las próximas líneas, bajo el prisma de

la teoría del comportamiento humano consideramos que la conducta no puede ser

entendida de forma aislada, sino que se emite con una función de interacción con el

medio. Asimismo, asumimos la relevancia de la historia de aprendizaje previa del

individuo en el comportamiento presente y futuro. Todos estos conceptos se

desarrollarán con mayor profundidad a lo largo de este capítulo.

2.1. La interacción como objeto de estudio: el sentido de la conducta se

encuentra en el contexto.

Como hemos mencionado, entendemos que el objeto de estudio psicológico

lo constituye la interacción entre la conducta del individuo y su entorno ya que

consideramos que lo que define la conducta es su función. Es decir, la función de una

conducta viene determinada por su interacción con el ambiente: como respuesta a

los estímulos que la elicitan, la refuerzan o la castigan, etc 1. Las cualidades

anatómicas, fisiológicas o morfológicas de la conducta no son irrelevantes para el

estudio psicológico, sin embargo, no son definitorias desde el punto de vista

funcional. Así, dos conductas idénticas emitidas en diferentes contextos pueden

tener funciones completamente distintas, siendo por tanto la interacción con el

1 Pavlov (1960) denomina Estímulos Incondicionados (EI) a los estímulos capaces de provocar una Respuesta (incondicionada, RI) en el individuo de forma innata. Señala también que el individuo puede aprender por condicionamiento clásico, esto es, por la repetida asociación entre un EI y un Estímulo Neutro (EN) que a priori no provoca la RI en el susodicho, a emitir dicha Respuesta, ahora Condicionada (EC) ante el nuevo Estímulo, ahora Condicionado (EC). Por otra parte, en el texto principal de Skinner (1966) se entienden como Refuerzos aquellos estímulos que se dan de forma consecuente a la conducta espontánea no condicionada clásicamente y logran aumentar su frecuencia de emisión. Los Castigos, por el contrario, son aquellos estímulos consecuentes que disminuyen la frecuencia de la conducta.


40

contexto absolutamente crucial. Pongamos un ejemplo de un alumno de la escuela

primaria que se encuentra en el salón de su casa haciendo los deberes de

matemáticas. Se distrae y comienza a jugar a videojuegos intentando que sus padres

no le descubran. Sin embargo, cuando su padre aparece en el salón y se sienta en el

sofá, el alumno retoma la suma que había dejado a medias con el objetivo de que su

padre no le descubra y le regañe. En otra ocasión, estando el alumno en la escuela

tratando de resolver un examen de matemáticas, se encuentra con la misma suma

que mencionábamos previamente. En este momento, se esfuerza en resolverla con

el objetivo de sacar una buena nota en el examen. Pese a que la conducta “resolver

una suma” es la misma en ambas circunstancias, la función de la conducta varía. En

el primer ejemplo, el niño trata de evitar una consecuencia negativa, como podría

ser la regañina de su padre, mientras que en el segundo ejemplo trata de obtener un

refuerzo o consecuencia positiva, que en este caso sería obtener una buena

calificación en el examen. Como podemos observar, lo relevante de estas conductas

no es su morfología, esto es, su apariencia, sino la función con la que se emiten, las

consecuencias de su actuación, o lo que es lo mismo, su interacción con el medio.

La conducta del ser humano puede ser definida como propositiva, es decir,

los individuos pretenden ser eficaces a la hora de afrontar situaciones y lo son en la

medida que cumplan sus objetivos. En muchas ocasiones, la intencionalidad del

individuo será la que definirá la función de la conducta. Pese a ello, y pese a que en

el ejemplo propuesto la función de la conducta pueda acercarse a los deseos del

individuo, es importante no confundir el concepto de función de la conducta y el

concepto de objetivo, meta o propósito del individuo. La función de la conducta

depende de los estímulos antecedentes y consecuentes a la conducta que se

relacionan con ésta. Por ejemplo, la función de la conducta de llanto de un conductor

cuando vuelve a subirse al coche por primera vez transcurridos unas semanas de

haber sufrido un accidente de tráfico, es la de respuesta condicionada a un estímulo

condicionado. Nada tiene que ver con sus objetivos personales. Las metas u

objetivos del individuo constituyen fines que desea lograr. Son propuestas que, de

manera más o menos explícita, constituyen la motivación de una persona y, cuando

se logran, la satisfacen. En ocasiones, las metas de la persona podrán coincidir con

la función de su comportamiento, por ejemplo, evitar una consecuencia indeseada

que actuó como castigo de la conducta. Sin embargo, función y objetivos del


41

individuo son conceptos independientes, aunque complementarios y relevantes a la

hora de analizar una conducta.

De esta forma, la interacción o relación entre la conducta de las personas y

los estímulos del entorno constituye el objeto de análisis del modelo en el que se

basa esta tesis. ¿Y qué entendemos como conducta? Comúnmente, el término

conducta nos lleva a pensar en comportamientos de tipo motor, como levantar la

mano, hablar al profesor, escribir el resultado de la suma, llorar, subrayar un texto,

etc. Sin embargo, las conductas también pueden ser de tipo cognitivo, fisiológico y

emocional, como el razonamiento necesario para resolver la suma, la reflexión

previa a la consulta al profesor, los pensamientos generados mientras se lee, las

emociones provocadas por un suspenso y sus correlatos fisiológicos, o incluso como

meros recuerdos o imágenes. Asimismo, las respuestas pueden ser de tipo

fisiológico, como la aceleración de la tasa cardíaca que sufre el estudiante del

ejemplo anterior cuando ve aparecer a su padre o la sudoración que experimenta

durante el examen. Como se podrá observar, no atendemos al dualismo planteado

históricamente entre las conductas externas e internas. No obstante, tampoco

rechazamos el estudio de los procesos mentales. Cualquier respuesta es conducta en

interacción con el ambiente (Ribes, 1982). Sin embargo, sí compartimos con Watson

la condición de analizar la conducta observable y mensurable. Entonces, ¿cómo es

que el pensamiento es analizado? Como ya planteaba Skinner (1981), el

pensamiento es observable por el propio individuo y por tanto es susceptible de

análisis. La conducta verbal constituiría la única forma manifestación observable del

pensamiento. De esta forma, en nuestro análisis incluiremos cualquier tipo de

conducta que podamos observar y medir, y entendemos que ésta es función del

ambiente por lo que estudiaremos su interacción con éste. A pesar de ello, el

ambiente presente no es el único elemento que tiene influencia sobre el

comportamiento actual, sino que también las interacciones pasadas tienen una gran

relevancia. Profundizaremos en esto en el próximo apartado.


42

2.2. La relevancia de la historia de aprendizaje y las variables disposicionales:

los ladrillos sobre los que se cimienta la conducta presente.

Como puede observarse en las aulas, dos estudiantes no siempre se

comportan de la misma forma en clase, ni asimilan los conceptos al mismo tiempo,

ni sobresalen en las mismas materias. Como ocurre en cualquier otro ámbito de la

vida, las personas presentan diferencias en su forma de actuar. Llegamos a percibir

disparidad incluso, entre hermanos gemelos criados en la misma familia, lo cual

puede hacernos dudar sobre el origen de dichas diferencias, si descartamos la

genética y la educación o las vivencias. Posiblemente, no podamos descartar

ninguno de esos factores.

En la tradición psicológica, la cuestión de cómo las personas integramos

nuestras experiencias pasadas y cómo éstas afectan a nuestros comportamientos

presentes, ha sido una constante difícil de resolver. Desde el punto de vista del

conductismo esta pregunta fue incluso más compleja, ya que, al entender la conducta

como función del ambiente presente, la historia previa del sujeto parecía no tener

cabida. Así, en las investigaciones, la variabilidad en el comportamiento de

individuos sometidos a idénticas condiciones de aprendizaje se interpretaba como

un error de control experimental (Neuringer, 2002). Los planteamientos de Staats

(1979) tratan de resolver este interrogante con la teoría de los repertorios básicos

de conducta en la cual plantea que durante la vida del individuo los aprendizajes se

almacenan posibilitando nuevas conductas y aprendizajes futuros. Por ejemplo, si

un niño aprende a sumar, posteriormente podrá emitir la conducta de sumar e

incluso adquirir habilidades más complejas como multiplicar. Señala, de esta forma,

que la historia de aprendizaje de una persona sería causante, junto con el ambiente,

de los comportamientos que emite, no siendo éstos dependientes únicamente del

ambiente.

Nuestra visión incorpora estos conceptos con ciertos matices. Si bien se

reconoce que la historia de aprendizaje vivida por el sujeto influye sobre la conducta

presente, el papel de esta variable no es el de variable independiente, o lo que sería

lo mismo, causante de la conducta presente. Ese rol continúa estando asignado al

entorno presente. Lo que hace la historia previa de aprendizaje es posibilitar o

probabilizar la emisión de ciertas conductas, pero no provocarlas (Ribes, 1990). El


43

hecho de que el niño haya aprendido la habilidad de sumar en el pasado posibilita

que en el presente pueda emitir dicha conducta, pero solo lo hará cuando las

condiciones del ambiente la evoquen, por ejemplo, cuando intente resolver un

ejercicio en clase o sumar los cromos que le han regalado. Por otra parte, el hecho

de que a un niño se le haya premiado actuar de forma organizada durante su

desarrollo no provocará que así lo haga, sino que hará más probable que actúe de

forma organizada cuando las características del contexto lo propicien.

De esta forma, como Santacreu et al. (2002) plantean, a lo largo de la

experiencia de una persona ésta va experimentado múltiples aprendizajes que le

llevan a desarrollar diferentes competencias, estilos de comportamiento y motivos.

Estas tres variables harán posible en unos casos, y harán más o menos probable en

otros, la emisión de ciertas conductas en determinados entornos. Por lo tanto, la

conducta presente se verá influida por los aprendizajes pasados, aunque siempre

será función del ambiente presente.

• Competencias

Las competencias podrían definirse como habilidades adquiridas que hacen

posible que se emitan ciertas conductas. Por ejemplo, si un estudiante ha aprendido

previamente a escribir, podrá emitir la conducta de escribir cuando las

circunstancias lo requieran. Sin embargo, si un estudiante no ha aprendido a escribir

utilizando el alfabeto chino, será imposible que emita dicha conducta en cualquier

situación.

Entendemos que esas competencias son configuraciones de estímulos y

respuestas que siempre tienen el mismo resultado o consecuente en el ambiente. Es

decir, cuya relación de contingencia es 1 o 0, o lo que es lo mismo, siempre o nunca.

Se dan en situaciones que se denominan de contingencias cerradas. Por ejemplo,

sumar 2+2 siempre tiene como resultado 4; en un coche en correcto estado, pisar el

acelerador del coche siempre tiene como resultado un aumento de la velocidad de

éste; si nuestro interlocutor conoce nuestro idioma y tiene suficiente capacidad de

audición, pronunciar la palabra “hola” a un volumen audible siempre supondrá que

éste comprenda que está siendo saludado, es decir, la relación es igual a 1. Por otra


44

parte, en la actualidad, en una vivienda estándar, pronunciar la frase “ábrete

sésamo” jamás producirá que la puerta se abra automáticamente, lo cual equivale a

una relación igual a 0. En el caso de las interacciones cuya relación de contingencia

sea distinta de 0 o 1, por ejemplo, 0.5, nos encontraríamos con situaciones en las

cuales cierto estímulo o respuesta en la mitad de las ocasiones es precedido o

seguido de otro y en el resto de las ocasiones, no. Estas situaciones no facilitan el

desarrollo de competencias, dado que dicho comportamiento no siempre acarrearía

el resultado esperado. Imaginemos que una misma operación matemática no

siempre tuviera el mismo resultado. No sería posible saber cuándo anotar un

resultado u otro y de esta forma sería imposible adquirir dicha habilidad. En

consecuencia, un individuo adquiere una competencia cuando conoce la exacta

relación de contingencia entre los estímulos y las respuestas en determinadas

circunstancias, siendo ésta igual o muy próxima a 1. No obstante, el hecho de que el

individuo haya aprendido dicha relación y por ello actúe adecuadamente en

consecuencia, no implica que sea capaz de expresar dicha relación. Este fenómeno

se da frecuentemente cuando se trata de respuestas motoras como montar en

bicicleta. La mayoría de los adultos sabe cómo montar en bicicleta, pero muy pocos

pueden describir con exactitud la secuencia de movimientos necesarios para

lograrlo. También ocurre con múltiples respuestas cognitivas como, por ejemplo,

recordar la tabla de multiplicar o enumerar los ríos de España. Pese a conocer que

la respuesta correcta, es complicado expresar el proceso o los pasos necesario para

recordar y expresar dicha información.

El origen de las competencias se encuentra en diferentes tipos de

aprendizajes: condicionamiento clásico, condicionamiento operante, observación

de modelos o incluso por instrucciones de otros individuos, como veremos más

adelante con mayor detalle. Dichas competencias pueden constituir habilidades

concretas, como podrían ser escribir sin faltas de ortografía, realizar operaciones

aritméticas o enunciar la fórmula química del agua. Sin embargo, también abarcan

competencias generales, como la habilidad de orientación viso-espacial, el

razonamiento verbal o incluso la inteligencia, que entenderíamos como el sumatorio

de múltiples competencias más específicas.


45

Además, dichos aprendizajes pueden transferirse a nuevas situaciones si el

individuo es capaz de generalizar y discriminar adecuadamente los estímulos, y, por

tanto, transferir a contextos similares lo aprendido (Mackintosh, 1975). Por

ejemplo, un niño aprende que las conjugaciones del verbo caer, como por ejemplo el

gerundio cayendo, se escriben con la letra “y” en lugar de con “doble l”. Podría

generalizar este conocimiento y aplicarlo también a las conjugaciones del verbo leer

sin necesidad de aprender específicamente la grafía con la que se escribe el gerundio

“leyendo”. E incluso, podría llegar a extraer la regla que sintetiza dicha experiencia:

los verbos que no contienen “doble l” en su infinitivo, se escriben con “y” al ser

conjugados en caso de que contengan dicho sonido. En otros casos tendrá que

aprender a discriminar ante qué estímulos no aplican las mismas relaciones de

contingencia pese a su similitud. Por ejemplo, las excepciones a una regla

ortográfica. Así, la persona va transfiriendo sus aprendizajes previos a nuevas

situaciones y por tanto es capaz de comportarse de forma adaptativa en situaciones

con las que no ha tenido experiencia previa. Diríamos por tanto que actúa de forma

inteligente. Como señala Ryle, esta transferencia de aprendizajes ha de ocurrir de

forma crítica. Es decir, la inteligencia es más que un mero hábito o sumas de

aprendizajes condicionados. Implica una crítica a la hora de transferir dichos

aprendizajes, discriminando si es adecuada su aplicación. Así, para juzgar o evaluar

el comportamiento de un individuo como inteligente, será necesario estudiarlo en

profundidad, tratando de observar su evolución, su dirección, intencionalidad… Más

allá del éxito de su resultado. En función de lo crítico y adaptativo que observemos,

podremos valorarlo como inteligente (Ryle, 2005). Sin embargo, como ya

anticipábamos antes, esto no significa que la “inteligencia” sea una entidad que

forma parte del individuo y que provoca o causa que se comporte de forma

inteligente. Se trata simplemente de una etiqueta descriptora de una forma de

comportarse: cuando una persona ha sintetizado diversos aprendizajes y los

transfiere a nuevas situaciones de forma adaptativa o beneficiosa decimos que se

comporta de forma inteligente. De esta forma la “inteligencia” no es más que la

etiqueta con la que describimos la transferencia de aprendizajes previos a contextos

novedosos, que se materializa en la ejecución de determinados comportamientos.

No diríamos, por ejemplo, que una persona de comporta de forma inteligente al

resolver un problema novedoso porque es inteligente. Ni siquiera diríamos que es


46

inteligente porque razona correctamente espacial o verbalmente. Estas expresiones

son tautológicas. Decimos que es inteligente porque se comporta de forma

inteligente. O lo que es lo mismo, como se comporta de forma inteligente, decimos

que lo es. No estamos negando aquí la influencia de las variables biológicas en el

comportamiento, naturalmente ciertas limitaciones biológicas impedirán

determinados comportamientos inteligentes y ciertas dotaciones los posibilitarán.

No obstante, dichos factores genéticos no determinarán el comportamiento, sino

que, posibilitarán que determinadas competencias se desarrollen en interacción con

el entorno.

• Motivos

Teniendo en cuenta lo expuesto en el punto anterior, señalaríamos que, para

que una persona ejecute un determinado comportamiento, es necesario que pueda

hacerlo, es decir, que haya desarrollado la competencia para ello gracias a previas

experiencias. Sin embargo, la competencia no es el único factor que influye sobre la

probabilidad de emitir la conducta. Para que una persona actúe es necesario que

quiera hacerlo. Así, la motivación un elemento fundamental para la acción y, por

tanto, constituye, según la mayoría de los autores, otro factor disposicional que

determina la posibilidad y la probabilidad de que una persona se comporte de

determinada forma (Cattell, 1957; Ribes, 1990).

¿Y de qué depende que una persona se sienta o no motivada por

determinados estímulos y, por tanto, quiera emitir determinadas conductas? En

primer lugar, de factores biológicos y, en segundo lugar, de nuevo, de su historia de

aprendizaje.

Como resulta evidente, la genética tiene un peso en las motivaciones del ser

humano. Determinados estímulos relacionados con las funciones biológicas del

organismo (como la alimentación e hidratación, el descanso, la reproducción y la

supervivencia) resultan estímulos incondicionados, es decir, estímulos a los cuales

reaccionamos automáticamente, sin necesidad de aprendizaje (Santacreu et al.,

2002). Sin embargo, a lo largo de nuestra vida en un entorno social, muchos otros

estímulos se van asociando a éstos de manera que adquieren capacidad de provocar


47

reacciones en nosotros, como el dinero, el arte, la moda o los deportes. Incluso,

determinados estímulos incondicionados pueden ser sometidos a diferentes

aprendizajes llegando a provocar otro tipo de respuestas condicionadas en los

individuos, como, por ejemplo, el rechazo a los encuentros eróticos por cuestiones

religiosas. De esta forma, en función de nuestras vivencias vamos sintiendo mayor o

menor motivación por determinados estímulos.

Esa motivación no consiste en otra cosa más que en una reacción de

acercamiento a algunos estímulos y de alejamiento de otros estímulos. Decimos que

una persona está motivada por algo cuando ejecuta respuestas que le acercan a

dicho estímulo o que le alejan de ciertos estímulos indeseados. Por ejemplo, un

estudiante puede estar motivado por sacar buenas notas y conseguir un buen

trabajo y estudia para acercarse a dicho objetivo. Sin embargo, también puede estar

motivado por evitar el castigo de sus padres y por tanto trabaja para evitar dicha

situación. En otros casos simplemente no estará motivado y por tanto no emitirá

comportamientos como hacer los deberes que podrían facilitar una buena

calificación. Al igual que ocurre con las competencias, la adquisición del valor

motivacional de un estímulo se puede producir mediante cualquiera de los

diferentes tipos de aprendizaje, en los cuales ahondaremos en el siguiente apartado

(Kimble, 1971). El valor motivacional del dinero puede aparecer dada su asociación

con la consecución de otros estímulos incondicionados como la comida

(condicionamiento clásico), la práctica el deporte puede adquirir su valor

motivacional por las sensaciones que aparecen tras su práctica y que lo refuerzan

(operante), la motivación por el estudio de determinada licenciatura puede surgir al

conocer a alguien que triunfó con ella (modelos) o mediante la promesa de lograr

un buen salario tras la graduación (instrucciones). Esto son solo algunos sencillos

ejemplos de cómo diferentes tipos de aprendizaje pueden modificar el valor

motivacional de algunos estímulos, pero en cada caso la experiencia personal creará

asociaciones particulares.

De esta forma, la historia de aprendizaje de cada persona va conformando

una serie de motivos previamente aprendidos, constituyendo así comportamientos

de acercamiento o alejamiento a determinados estímulos. Así, pese a que los

elementos del ambiente presente jueguen un papel primordial, la probabilidad de la


48

emisión de determinado comportamiento dependerá inicialmente de aprendizajes

previos.

• Estilos interactivos

Como hemos visto hasta ahora, en función de la historia de aprendizaje de

cada persona se hacen posibles y probables determinados comportamientos.

Además, mediante la experiencia, cada individuo aprende a comportarse de una

forma particular, lo que en el lenguaje común se entiende como “su personalidad”.

En situaciones de contingencias abiertas, o lo que es lo mismo, situaciones en las que

no hay predefinida una única forma correcta de actuar, cada persona actúa en

función de su estilo de comportamiento. Sin embargo, en situaciones en las cuales

las contingencias son cerradas, todas las personas actuarán del mismo modo,

siguiendo la regla operante. En estas situaciones en la que solo existe una única

forma de obtener el resultado, la respuesta del individuo no dependerá de su estilo

de comportamiento, sino de su competencia, es decir, de si conoce o no la respuesta

correcta para poder ejecutarla. Para encender el microondas, todas las personas que

conozcan su funcionamiento, programarán el temporizador y pulsarán en el botón

de activación. No depende del estilo personal, sino de si han tenido experiencias

previas con microondas de similar funcionamiento. Sin embargo, para cocinar un

bizcocho, habrá personas que elijan utilizar el horno y otras el microondas, en

función de su estilo de comportamiento. En ese caso, no hay una única forma de

cocinar el bizcocho, esto es, de obtener el consecuente, por lo que cada persona

actuará siguiendo un determinado estilo, originado en sus experiencias pasadas.

Por otra parte, podemos decir que también forma parte del estilo de

comportamiento de cada persona la forma en la que ejecuta una misma conducta.

Pese a que la conducta de dos personas sea globalmente la misma y tenga una

función general similar, por ejemplo, vestirse para ir elegante a un acto social, la

forma en la que lo hará cada uno podrá variar. Así, la manera de vestirse de cada

persona (la ropa que elija, los complementos, el número de prendas, el color de

éstas, etc.) dependerá de los aprendizajes previos que haya experimentado en

relación a la moda, las prendas de vestir, los actos sociales, etc. Por ejemplo, de la


49

forma en la que vistieran sus padres u otros modelos, de la ropa que llevara en

ocasiones en las que fue halagada, etc. De esta forma, podríamos decir que, aunque

dos personas ejecuten un mismo comportamiento en cuanto a su función, la manera

en la que lo ejecutan forma parte de su estilo de comportamiento.

Como hemos señalado, en el lenguaje común, a esa forma característica que

tiene cada individuo de actuar se le denomina personalidad. En la tradición

psicológica se ha tendido a hablar de variables o rasgos de personalidad. Desde la

perspectiva del modelo de conducta humana, se realiza una aproximación novedosa

a este concepto al cual se le ha denominado estilo interactivo (Ribes, 1990). Es

importante destacar que la personalidad no es una característica intrínseca del

individuo que “provoca” determinados comportamientos. Se trata de una forma de

comportarse referida a un contexto específico, determinada por los aprendizajes

previos. Un estilo interactivo podría constituirlo la tendencia a tomar decisiones

arriesgadas, o la tendencia a actuar de forma minuciosa y organizada, o la tendencia

a resistir la frustración. Estos estilos interactivos vienen determinados por la

historia de aprendizaje del individuo y se dan contextos en los que las contingencias

lo permiten, o lo que es lo mismo, en contextos de contingencias abiertas

(Hernández, 2000).

En definitiva, en función de las experiencias vividas un individuo configura

sus estilos interactivos, sus motivos, y adquiere ciertas competencias. La historia de

aprendizaje se sintetiza así en dichas variables disposicionales que, pese a que no

intervienen directamente en la interacción presente, influyen sobre la posibilidad o

probabilidad de que determinadas conductas se produzcan.

2.3. ¿Qué es aprendizaje?

Definición de aprendizaje desde el modelo del comportamiento humano

Como hemos visto, el aprendizaje vivido a lo largo de la historia de cada

persona tiene una influencia importante en su conducta presente. Dichos

aprendizajes se integran en forma de motivos, competencias y estilos interactivos

que posibilitan y probabilizan futuros comportamientos. Consideramos que, a

excepción de aquellas conductas determinadas por la genética, todos nuestros


50

comportamientos son aprendidos en interacción con el ambiente. Pero, ¿cómo

tienen lugar dichos aprendizajes? ¿Qué consideramos que es el aprendizaje?

Entendemos como aprendizaje el cambio en el comportamiento de un

individuo ocasionado por su interacción con el ambiente (Kimble, 1971). Pese a que,

a priori, la definición puede parecer redundante y sencilla, dediquemos unos

instantes a analizar cada uno de los elementos que la componen: un cambio

conductual y una interacción con el entorno. El aprendizaje no se produce por el

mero paso del tiempo, sino que es debido a las experiencias que tienen lugar durante

ese periodo. Así, la interacción con el ambiente se traduce en diferentes modos o

tipos de aprendizaje que no son más que cambios en nuestro comportamiento.

Atendiendo a la primera parte de la definición, hemos de recordar que

pensar, desear, recordar… son también diferentes formas de comportamiento. De

esta forma, los cambios de comportamiento que se producen no siempre serán

observables externamente, pero sí lo serán para el propio sujeto. La definición

planteada abarca tanto los procesos de aprendizaje que producen cambios

observables del comportamiento como los cambios no directamente observables en

el pensamiento, el razonamiento, la imaginación, las ideas y conceptos.

Para poder evaluar o medir el aprendizaje de forma objetiva será necesario

tomar como base los cambios que se producen en el comportamiento observable

externamente. Cabe señalar que otros factores como la motivación o la ansiedad

pueden alterar la expresión de dicho aprendizaje o conocimiento, provocando que

un aprendizaje consolidado no se traduzca siempre en un comportamiento

observable por evaluadores externos. Pese a ello, evaluar los cambios en el

comportamiento observable sigue constituyendo el método por excelencia para

evaluar el aprendizaje dado que no es posible a día de hoy tener un acceso fiable u

objetivo a los cambios de comportamiento internos, esto es, al pensamiento del

individuo (Hilgard y Bower, 1973; Hull, 1943).

Estos cambios de comportamiento gozan de gran complejidad. El ser humano

no se limita a aprender a dar una respuesta ante determinados estímulos, sino que

además reflexiona sobre la propia experiencia. Estas reflexiones facilitan que la

persona no solo aprenda la respuesta pertinente, sino que aprenda la relación de


51

contingencia entre los estímulos y las respuestas (Rescorla, 1967; Ribes, 1989). Es

decir, un estudiante aprende y emite una respuesta de excitación cuando suena el

timbre del colegio, pero también aprende, modificando sus pensamientos, que

siempre que suena el timbre comienza el recreo. Asimismo, un estudiante no

aprende únicamente a callar cuando su profesora alza la mano en señal de silencio,

sino que también aprende la relación entre dicho estímulo y su respuesta: sabe, y

podría anticipar, que si tras la señal de su maestra, decide continuar hablando, su

conducta tendrá como consecuencia la expulsión del aula. No ha aprendido

únicamente a callar de forma automática o refleja, sino que ha aprendido la relación

entre los eventos e incluso sería capaz de expresar dicha relación en forma de

proposiciones verbales. De esta manera, el individuo sintetiza y organiza su

experiencia en forma de “reglas” sobre cómo los estímulos y las respuestas suelen

relacionarse y de predicciones de cómo lo harán en el futuro.

No obstante, el ser humano no siempre es capaz de expresar el conocimiento

en forma de proposiciones verbales. Las razones son diversas: en ocasiones, el

individuo no ha reflexionado lo suficiente acerca de su experiencia o ha llegado a

conclusiones incorrectas; en otras, es posible que dicho individuo no cuente con las

competencias o información necesarias para poder expresar las relaciones de

contingencia operantes. En algunos casos, a esta falta de reconocimiento

proposicional de lo aprendido, se le ha denominado aprendizaje implícito o

inconsciente. Se ha demostrado su existencia en multitud de experimentos en los

cuales las personas responden adecuadamente ante los estímulos sin ser capaces de

expresar la relación entre los estímulos y su respuesta, es decir, no siendo

conscientes de ante qué estímulos están reaccionando e incluso no siendo

conscientes de su propia respuesta, generalmente fisiológica (Malmierca, 2014;

Núñez y de Vicente, 2004; Öhman y Soares, 1998). No obstante, otros autores como

Lovibond y Shanks (2002) cuestionan los procedimientos empleados en estos

experimentos y consideran que la conciencia es imprescindible durante el proceso

de aprendizaje.

En cualquier caso, de nuevo, nuestro planteamiento subraya que no existe un

ente denominado conocimiento. En determinado momento resulta evidente que un

individuo ha aprendido, bien porque responde de manera diferente y eficaz a una


52

situación o bien porque es capaz de expresar las relaciones que operan en un

contexto específico. En el caso de que actúe de manera diferente pero no eficaz, o de

que no sea capaz de expresar las relaciones correctas, diríamos que no ha aprendido

o que ha aprendido mal. El aprendizaje es el término que utilizamos para sintetizar

ese cambio en el comportamiento, ya sea externo o encubierto, ya sea traducible a

proposiciones verbales o no, que se ha producido como fruto de las interacciones

con el medio. El grado de aprendizaje más completo se daría cuando tanto el

comportamiento como las proposiciones verbales demuestran la compresión del

contexto.

Fuentes y tipos de aprendizaje

El aprendizaje, como se ha explicado, ocurre en interacción con el entorno

(Cándido, 2000; Honig, 1966; Kimble, 1971; Mayor y Pinillos, 1989). Aprender

mediante la experiencia directa con el contexto es la forma más evidente de

aprender, pero no es la única ni necesariamente la más frecuente.

En la experiencia directa tienen lugar multitud de aprendizajes. Por una

parte, nos habituamos o nos sensibilizamos ante determinados estímulos, esto es,

respondemos cada vez con menor frecuencia, intensidad o duración en el primer

caso, o más frecuentemente, intensamente o mediante respuestas más sostenidas

en el tiempo, en el segundo caso. El hecho de que se produzca un fenómeno u otro

depende de características del estímulo (su relevancia, su ritmo de presentación, su

intensidad, etc.) y de características del propio individuo (nivel de ansiedad, estado

de alerta, etc.) (Cándido, López et al., 2000). Asimismo, mediante la experiencia

directa, aprendemos a responder ante estímulos nuevos por su asociación con

estímulos previos que ya provocaban esa respuesta, lo que se ha denominado

condicionamiento clásico (Kimble, 1971; Pavlov, 1960). También aprendemos a dar

determinadas respuestas cuando éstas son reforzadas, y dejamos de emitir otras

respuestas cuando éstas son castigadas, proceso denominado condicionamiento

operante (Kimble, 1971; Skinner, 1966). Una forma especial del condicionamiento

operante serían los procesos de moldeamiento y encadenamiento, procesos a través

de los cuales se aprenden respuestas complejas (Honig, 1966). Concretamente,


53

mediante el encadenamiento es posible aprender conjuntos de respuestas que

ejecutados en el orden correcto se ven reforzados. Por ejemplo, resolver una

ecuación de segundo grado, procedimiento que consta de muchos pasos o

respuestas que combinados en el orden exacto logran el resultado esperado. Por

otra parte, mediante el moldeamiento se consiguen perfeccionar respuestas, por

reforzamiento de las aproximaciones a ésta. Por ejemplo, durante la enseñanza de

la lectura y la escritura, en los primeros cursos se refuerzan respuestas que

contienen múltiples errores como faltas de ortografía. Según va avanzando el

aprendizaje, el reforzamiento se volverá más exigente siendo reforzadas

únicamente las respuestas más adecuadas.

Como hemos señalado, la actuación o interacción activa con el entorno no es

imprescindible para el aprendizaje. En muchos casos, mediante la observación de

los eventos del contexto somos capaces de aprender las relaciones de contingencia

entre los estímulos. La observación permite establecer predicciones sobre los

estímulos del contexto (Cándido, de Brugada et al., 2000). En muchos casos, como

humanos que vivimos en sociedad, nuestro aprendizaje se obtiene a través de la

observación de otras personas. Cuando un individuo observa a otro individuo

someterse a determinadas contingencias, su propia conducta puede verse

modificada (Garrido, 1989). Por otra parte, si el modelo que está siendo observado

posee y aplica ciertos conocimientos, el observador puede aprender gran parte de

lo que el modelo expresa. Continuamente se da este procedimiento en las aulas

cuando los docentes e incluso los propios alumnos realizan ejercicios en la pizarra

para que los demás compañeros observen cómo se resuelven. Cuando este

procedimiento se combina con los de moldeamiento y encadenamiento se facilita en

gran medida el aprendizaje de respuestas complejas.

De esta forma, no es necesario tener una experiencia directa para aprender

la relación de contingencia entre dos eventos y actuar en consecuencia, bastará con

observar los estímulos de contexto y las conductas de otras personas. Además,

mediante las instrucciones de otras personas podemos aprender sin haber

observado los eventos de los que nos hablan. Las instrucciones son descripciones de

relaciones de contingencia que operan en un contexto, y constituyen otra forma de

aprender que no exige la experiencia en primer término (Bandura, 1983; Skinner,


54

1963). Sin embargo, comprobar la veracidad de la expresión mediante la propia

experiencia reafirma el aprendizaje por instrucciones. Por ello decimos que, en la

enseñanza reglada, es tan importante la práctica. Además, el lenguaje supone un

complemento muy útil durante los aprendizajes por experiencia directa o por

observación. En ocasiones, indica la respuesta adecuada que después será reforzada

de forma operante. En otras, incluso actúa como refuerzo verbal. También puede

ayudar al individuo a identificar los estímulos discriminantes relevantes, o servir de

guía de los comportamientos que se están ejecutando de manera que se

complemente el aprendizaje por observación de modelos. Estas combinaciones de

aprendizajes directos y aprendizajes mediados por el lenguaje son muy frecuentes

en la formación reglada.

Por último, de acuerdo con el modelo que estamos propugnando (Santacreu

et al., 2002), el propio individuo reflexiona sobre su experiencia, sobre lo observado

y escuchado, elaborando nuevas proposiciones verbales que describen y explican

las interacciones vividas en forma de reglas de actuación en los diferentes contextos.

Por ejemplo, durante el condicionamiento clásico, no solo se aprende a responder al

estímulo condicionado, sino que también se aprende la relación entre dicho

estímulo y el estímulo incondicionado (Cándido, de Brugada et al., 2000). Estas

proposiciones se integran con todo lo previamente aprendido por todos los tipos de

aprendizaje. En algunos casos será necesario adaptar las proposiciones enunciadas

por otros a las nuevas vivencias, ya que la experiencia, en ocasiones, puede

contradecir lo previamente aprendido. Estas proposiciones generadas por cada

persona para organizar y analizar su experiencia actúan también como variables

disposicionales que influyen sobre la conducta futura (Mackintosh, 1975). Si un

individuo ha desarrollado a través de su historia de aprendizaje la idea de que ir en

avión es peligroso, será menos probable que ejecute la conducta de ir en avión en el

futuro. Sin embargo, de nuevo, dicha conducta dependerá de las interacciones con

el entorno del momento en el que se ejecute o se evite ejecutar. La continua reflexión

sobre lo aprendido a través de los distintos tipos de aprendizaje es una manera de

preparar al individuo para decidir y actuar en un momento y situación dada.

De esta forma, sería posible evaluar las variables disposicionales de una

persona analizando sus proposiciones verbales, esto es, preguntándole por las


55

descripciones que considera acerca de sí mismo, del mundo y de su relación con el

entorno. Por supuesto, otro procedimiento de evaluación consistiría en el análisis

de su comportamiento no proposicional fruto de estas variables disposicionales y

de su interacción con el entorno. En ambos casos la historia de aprendizaje de cada

persona, es decir, todo lo aprendido, acumulado e integrado a lo largo de su

experiencia, influirá en las futuras respuestas de la persona y, por tanto, a través de

ellas, podrá ser evaluada. Es decir, tanto las proposiciones como la conducta

manifiesta, sintetizan la historia de aprendizaje de un individuo o dan cuenta

implícitamente de una serie de aprendizajes previos sin los cuales no habría podido

surgir la proposición o la conducta manifiesta observada. Sin embargo, no siempre

existen coherencia entre lo que las personas dicen de sí mismas y lo que realmente

hacen (Cattell, 1965; Skinner y Howarth, 1973). Es posible que las proposiciones

verbales y los comportamientos motores no correlacionen, por lo que la información

obtenida mediante cada uno de estos métodos podría no ser similar. Las razones de

ello han sido muy estudiadas en evaluación psicológica y se ahondarán en el

siguiente apartado.

Capítulo 2: Evaluación del aprendizaje y éxito académico.

57

CAPÍTULO 2:

Evaluación del aprendizaje y éxito académico.

1. Aproximación a los conceptos de aprendizaje y dificultades de

aprendizaje en la actualidad.

De igual forma que ha ocurrido durante el último siglo, en la actualidad no

existe una definición única y consensuada de aprendizaje. Pese a la definición

propuesta en el anterior capítulo, esta no es compartida ueniversalmente. En el

lenguaje común se suele entender el aprendizaje como un proceso por el cual se

genera conocimiento. Sin duda, dicha definición es inexacta por diversos motivos

que expondremos a continuación.

Dicha definición plantea problemas, ya que le otorga al conocimiento un valor

de entidad, que se obtiene mediante un proceso de aprendizaje y que podría generar

cambios en el comportamiento de la persona, mediante los cuales sería posible

inferir su existencia. Admitiríamos entonces que, pese a que un individuo no lo

demuestre, el conocimiento puede estar “en su interior”. Como hemos explicado en

el capítulo anterior, bajo nuestra perspectiva, el aprendizaje es en sí mismo un

cambio en el comportamiento. En caso de que no se produjera un cambio conductual

(el cual no olvidemos entendemos que puede darse a nivel cognitivo, en los

pensamientos del individuo) afirmaríamos que el aprendizaje no ha tenido lugar. De

esta forma, el aprendizaje es conducta, específicamente, un cambio de dicha

conducta.

Cabe también señalar que dicha definición omite el carácter estable de dicho

cambio conductual. Entendemos que pueden existir cambios de conducta

transitorios ocasionados por diferentes variables tanto internas como externas que

pueden generar confusión a la hora de evaluar el aprendizaje. Por ejemplo, un

individuo puede cometer un error si presenta una alta activación fisiológica o si está

sufriendo una alta temperatura ambiental. Por tanto, será necesario que este cambio


58

de conducta se mantenga en el tiempo para poder valorarlo como aprendizaje, no

debiéndose a factores circunstanciales (Hilgard y Bower, 1973).

Asimismo, es imprescindible señalar que este aprendizaje no ocurre de forma

espontánea, como la primera definición nos podría llevar a pensar. Un componente

clave de este cambio conductual es que se debe a la experiencia y no al mero paso

del tiempo: el hecho de experimentar determinados estímulos conduce al individuo

a comportase de manera distinta a como lo hacía antes de haber interaccionado con

dichos estímulos (Ribes, 1989). Es por ello que incluimos también en la definición

de aprendizaje el factor de la experiencia. En conclusión, podríamos definir el

aprendizaje como el cambio estable de comportamiento que se produce tras

determinada interacción con el ambiente, alcanzando así a la definición de

aprendizaje planteada en el anterior capítulo (Hearst, 1988; Hilgard y Bower, 1973;

Hull, 1943).

De igual forma, tampoco contamos con una única definición de fracaso y éxito

académico. Habitualmente, entendemos que, si un estudiante obtiene calificaciones

positivas en las pruebas académicas que realiza y completa las enseñanzas

obligatorias de su sistema educativo u otras superiores, ha tenido éxito académico.

Por otra parte, existen diferentes sistemas de evaluación compartidos por los

centros educativos del país, los cuales intentan asegurar la universalidad de los

resultados. Resultan de utilidad para estudiar el grado en el que la población general

alcanza el éxito académico. Un ejemplo lo constituirían las pruebas de acceso a la

universidad que tratan de evaluar de forma similar a todo el alumnado al terminar

los estudios preuniversitarios. A nivel internacional, contamos con los informes

PISA (Programme for International Student Assessment, Programa para la

Evaluación Internacional de Estudiantes) de la Organización para la Cooperación y

el Desarrollo Económicos (OCDE), los cuales consisten en estudios trienales

internacionales que se realizan a los estudiantes de 15 años para evaluar sus

conocimientos y capacidades en tres competencias consideradas troncales: lectora,

matemática y científica. Este sistema permite comparar los resultados de los

estudiantes de diferentes países y valorar los efectos de las medidas educativas que

se toman en cada uno de ellos.


59

El último estudio PISA (OCDE, 2019) del que se tiene constancia en el

momento de la escritura de esta tesis se realizó en 2018 y denota la existencia de un

gran número de alumnos que experimentan dificultades para alcanzar los

conocimientos mínimos para su edad. En España, encontramos que el 25% de los

alumnos, es decir, uno de cada cuatro estudiantes, no alcanza el nivel mínimo de

rendimiento deseado en la materia de las matemáticas. En el total de la Unión

Europea el porcentaje es ligeramente inferior, pero continúa siendo importante

(22%). En el ámbito de las ciencias, el porcentaje de alumnos que no alcanza el nivel

mínimo esperable de conocimiento es del 21%, tanto en España como en Europa. El

porcentaje es similar en las competencias de lectura (22%).

Estos informes muestran la abundante presencia de dificultades de

aprendizaje en el ámbito académico entre los estudiantes europeos de 15 años.

Naturalmente, la elección de los criterios de evaluación determinará el porcentaje

resultante de alumnos que alcanzan o no los requisitos. No existe una noción

universal e inamovible de los conocimientos o habilidades que se han alcanzar a

cada edad, y quizás los altos porcentajes encontrados se deban a que los criterios no

sean los más adecuados. No obstante, es innegable que muchos estudiantes no

alcanzan el progreso que se esperaría para su edad o que sí son capaces de alcanzar

sus compañeros. Otras fuentes y estudios también señalan la existencia de este

problema. El Instituto Nacional de Estadística (INE) de España informa sobre el

número de jóvenes de entre 20 y 24 años que han logrado completar la Educación

Secundaria Obligatoria (E.S.O.). Los datos muestran que, en 2018, tan solo el 67,7%

de los hombres y el 77,9% de las mujeres de 20-24 años de edad han logrado

terminar la enseñanza obligatoria, la cual tiene como objetivo el alumnado de hasta

16 años. Es decir, en torno al 25% de los jóvenes de nuestro país ha sufrido fracaso

escolar, entendido como el hecho de no haber alcanzado el título académico mínimo

obligatorio de nuestro sistema educativo. Cabe mencionar que muy probablemente

no todos estos jóvenes desearan finalizar dichos estudios por cualesquiera fueran

sus circunstancias personales, por lo que no correspondería denominar como

fracaso aquello que nunca ha constituido un objetivo del individuo. No obstante, la

magnitud de las proporciones indica la existencia de ciertas dificultades en la

formación académica.


60

Es necesario diferenciar los términos de fracaso escolar y de dificultades de

aprendizaje. El término “Dificultades Específicas de Aprendizaje” (DEA) contempla

al alumnado que, no poseyendo dificultades conocidas en el ámbito intelectual,

sensorial, físico, perceptivo, motriz, socioambiental o étnico, presentan carencias y

errores en su aprendizaje en el contexto del aula con los recursos ordinarios,

presentando un desfase, entre ellos y sus compañeros, en los aprendizajes básicos

que por su edad deberían haber alcanzado.” (González et al., 2010, pp. 318). El

concepto de dificultades específicas de aprendizaje engloba a todos aquellos

estudiantes que no logran desarrollar por completo las habilidades de lectura,

escritura, cálculo, razonamiento, etc., y por tanto son diagnosticados de discalculia,

disgrafia, dislexia, etc. no siendo originados estos trastornos por un déficit orgánico

o causa conocida. Es, por tanto, un término específico para determinadas

problemáticas relacionadas con los aprendizajes más básicos. Los individuos

afectados por estas problemáticas podrán experimentar o no fracaso escolar.

Por otra parte, podríamos señalar la existencia de otras dificultades de

aprendizaje que aparecen en etapas educativas superiores. Se trata de estudiantes

que, habiendo desarrollado las habilidades básicas de comunicación, cálculo, etc., no

logran adquirir con éxito conocimientos educativos de niveles más avanzados.

Encontraríamos aquí a los estudiantes de cursos superiores cuyo rendimiento

académico no es satisfactorio. En este trabajo, nos centraremos en analizar algunos

de los factores que influyen en esta última noción de dificultades de aprendizaje. Así,

en una primera aproximación, podríamos señalar que el objeto de estudio de la

presente tesis lo constituyen los factores que facilitan la aparición de dificultades de

aprendizaje en estudiantes que han logrado desarrollar las habilidades básicas del

currículum académico y que no presentan ningún tipo de problema orgánico o de

otro tipo conocido que impida su aprendizaje y, sin embargo, no logran obtener

resultados académicos los suficientemente satisfactorios o presentan dificultades

para asimilar ciertos conocimientos y realizar ciertas tareas.

Hasta aquí, hemos revisado la actualidad de los conceptos de aprendizaje,

dificultades de aprendizaje y éxito académico, y hemos reparado en el gran número

de estudiantes que experimenta problemas con estos temas. En el siguiente


61

apartado, mencionaremos los factores que más frecuentemente se han relacionado

con el aprendizaje y el rendimiento académico.

2. ¿Cómo se evalúa el aprendizaje y los factores asociados a

éste?

2.1. La tradición del autoinforme y sus sesgos.

La evaluación de cualquier variable psicológica, incluyendo las variables

disposicionales como los motivos, las competencias o los estilos de comportamiento,

se basa en las demostraciones que las personas emiten de dichas variables en un

determinado contexto, como por ejemplo en un test, un cuestionario o un examen.

De igual forma, en el ámbito de la evaluación del aprendizaje y de la adquisición de

competencias, el análisis se fundamenta en las demostraciones que el aprendiz

realiza con el objetivo de determinar si ha adquirido o no determinadas

competencias. Como Ribes (2007) propone, saber no es solo hacer, también, es decir.

Las demostraciones de conocimiento o competencia no siempre han de incluir

exhibiciones motoras: también pueden darse a nivel de proposiciones verbales. Por

ejemplo, una persona podría facilitar una explicación de cómo resolver un sistema

de ecuaciones, dando así muestra de su competencia sin necesidad de calcular uno

de ellos en particular. No hemos de confundir estas demostraciones de competencia

en forma de proposiciones verbales con las proposiciones verbales que formula el

individuo acerca de sus competencias. Lo que el individuo considera que sabe y lo

que, posteriormente, es capaz de demostrar que sabe, es decir, lo que realmente

sabe, no necesariamente tiene que coincidir. En conclusión, es posible demostrar

verbal y explícitamente lo que se sabe y/o también es posible comportarse

implícitamente en base a lo que se conoce o se ha aprendido. Ambas formas son

demostraciones del aprendizaje que son relativamente igual de precisas. Sin

embargo, estas demostraciones de conocimiento no han de coincidir con las

respuestas que refieren qué y cuánto se sabe, dado que éstas últimas corresponden

a las percepciones del individuo y pueden ser erróneas.

Parece, por tanto, que existen dos modos de expresión de las variables

disposicionales: las demostraciones motoras y verbales, y las expresiones del


62

individuo acerca de sí mismo. La síntesis de las demostraciones correspondería con

un nivel de aprendizaje profundo. La correspondencia de éstas con las

autoafirmaciones del individuo indicaría un proceso de reflexión y abstracción

acerca de su propio comportamiento. Cada una de ellas podría ser evaluada

utilizando una metodología diferente. En el primer caso, correspondiente a las

demostraciones, se observaría el comportamiento del evaluado en diferentes

situaciones, obteniendo así la evaluación objetiva externa del comportamiento. En

el segundo caso, se le pediría que describiera sus propios conocimientos, sus

motivos, sus estilos interactivos, etc., obteniendo, por tanto, el autoinforme del

individuo sobre sí mismo.

Pese a que, a priori, se podría esperar que ambas respuestas, las

autodescripciones del conocimiento y las demostraciones implícitas o explícitas del

mismo conocimiento, fueran equivalentes, la investigación ha mostrado que no

siempre existe correspondencia entre ambas manifestaciones. Como hemos

anticipado, en ocasiones, el comportamiento puede reflejar un aprendizaje que la

persona no afirma que conoce. En otras ocasiones, por el contrario, la persona

expresa ciertas afirmaciones acerca de lo que considera que sabe que

posteriormente no se traducen en conductas congruentes, es decir, que no es capaz

de demostrar (Cattell, 1965; Skinner y Howarth, 1973). Es decir, las descripciones

explícitas o las acciones que implícitamente muestran el aprendizaje de una

persona, no siempre están relacionadas con el autoinforme de dicha persona sobre

lo que ha aprendido, sobre lo que sabe o sobre cómo suele comportarse o actuar en

determinadas situaciones. Por tanto, podría tratarse de dos sistemas diferentes de

aprendizaje que no siempre ocurren de forma simultánea. De esta forma, parece

importante contar con datos de ambos tipos de manifestaciones a la hora de evaluar

cualquier variable psicológica, no confiando la evaluación en una única fuente de

datos.

Sin embargo, en la tradición psicológica ha sido generalizado el uso del

autoinforme como herramienta de evaluación, esto es, de la evaluación mediante

proposiciones verbales emitidas por el evaluado con respecto a sus estilos de

comportamiento, motivos y competencias, empleando sus diferentes formas:

cuestionarios, entrevistas, método de pensar en voz alta, autorregistros… No hay


63

duda de que la evaluación mediante autoinformes presenta importantes ventajas:

su administración es rápida y económica, generalmente pueden ser corregidos de

forma sistemática y presentan gran fiabilidad y validez. De esta forma, durante

mucho tiempo, especialmente en la evaluación de la personalidad y la motivación,

se ha confiado de forma casi exclusiva en las evaluaciones subjetivas del individuo,

desplazando a las demostraciones de dichas variables psicológicas, pese a la escasa

o inexistente correlación entre ambas medidas (Dinsmore, Alexander y Loughlin,

2008; Sierra y Buela-Casal, 2001). El actual desarrollo de la informática ha facilitado

enormemente el desarrollo de pruebas objetivas, es decir, basadas en

demostraciones, de estilos de comportamiento o personalidad y motivación desde

la perspectiva conductual (Santacreu y Hernández, 2017). Sin embargo, desde la

perspectiva del rasgo se ha evaluado prioritariamente la personalidad desde una

perspectiva subjetiva, mediante autoinforme (Hernández, Santacreu y Rubio, 1999).

En el ámbito de la psicología del aprendizaje generalmente se han empleado

tests que requieren pruebas verbales demostrativas de aprendizaje o conocimiento

explícito de la materia o tests que exigen demostraciones del conocimiento

implícito, es decir, manifestaciones del comportamiento correcto. El empleo del

autoinforme también ha estado presente, no obstante, en menor medida que en

otros campos como el de la personalidad. Al evaluar conocimientos o competencias

se exigen demostraciones conductuales, debido a que no se confía en la valoración

verbal del evaluado. ¿Se pueden imaginar una prueba de acceso a la universidad en

la que simplemente se le pregunte al solicitante si considera que ha adquirido los

conocimientos necesarios, y en caso afirmativo, se le permita acceder sin más

comprobación? ¿O un examen de conducir que se limite a preguntar a los futuros

conductores si conocen las reglas de tráfico y son conscientes de la utilidad de los

pedales, el volante y el cambio de marchas? O, incluso, en el que se les pregunte

simplemente: “¿conduce usted apropiadamente?” de la misma manera que se

pregunta en un cuestionario de personalidad “¿se enfada usted con facilidad?”. Nos

cuesta concebir estas situaciones ya que entendemos que para verificar que

gozamos de ciertas competencias es necesario que lo demostremos.

Pese a ello, en el ámbito de la investigación sobre el aprendizaje reglado y las

variables relacionadas con éste, el autoinforme también ha constituido un método


64

de evaluación exclusivo en muchos estudios. Variables como el empleo de

estrategias de aprendizaje, las metas académicas o la tendencia a la autorregulación

han sido tradicionalmente medidos mediante autoinforme. Encontramos

numerosas escalas que han gozado de gran impacto, como son el cuestionario

Motivated Strategies for Learning Questionnaire (MSLQ; Pintrich, Smith, Garcia, y

McKeachie 1993), el inventario Metacognitive Assessment Inventory (Schraw y

Dennison, 1994), o el Achievement Goal Questionnaire (AGQ, Elliot y Murayama,

2008). También encontramos algunos cuestionarios de origen español, como el

ACRA para evaluar estrategias de aprendizaje (Román y Gallego, 1994). De esta

forma, la mayoría de los estudios que relacionan el aprendizaje o los resultados

académicos con diferentes variables como las estrategias de aprendizaje, las metas

de logro, las habilidades de autorregulación o incluso con determinadas variables

de personalidad, fundamentan sus análisis en el informe verbal que proporciona la

persona evaluada sobre sí misma (Cleary et al., 2012; Horvath et al., 2006; Roth et

al., 2016; Shi et al., 2001).

Sesgos asociados al uso de autoinformes

Numerosos autores han cuestionado el uso exclusivo de los autoinformes en

diferentes ámbitos de la psicología señalando la existencia de diferentes sesgos que

podrían disminuir su validez y fiabilidad (Britton y Tesser, 1991, Ortner y Schmitt,

2014; Ortner y Proyer, 2018, Santacreu et al., 2006).

Uno de los sesgos mencionados con mayor frecuencia se encuentra asociado

al fenómeno de la deseabilidad social. Se trata de la tendencia de los individuos

evaluados a responder de forma que se ofrezca una imagen positiva sobre sí mismos

(Edwards, 1957; Grimm, 2010; Nederhof, 1985). Esta tendencia introduce sesgos en

la evaluación al no recoger respuestas honestas y puede verse incrementada en

contextos en los que la persona evaluada trata de obtener un beneficio mediante la

falsificación de sus respuestas, como por ejemplo en los contextos laborales de

selección de personal. En otras ocasiones, la tendencia puede ser incluso la

contraria: intentar presentarse de una forma más desfavorable con el objetivo de

aparentar problemas psicológicos, discapacidad intelectual, etc. para obtener algún

beneficio. Este comportamiento puede darse en contextos judiciales, entre otros. En

cualquier caso, es evidente que la posibilidad de falsificar las respuestas en un


65

autoinforme está presente, ya que es fácil sospechar las variables que están siendo

evaluadas (Kubinger, 2002; Viswesvaran y Ones, 1999).

Como otros autores señalan, dicha falsificación no siempre ha de ser

consciente o intencionada, sino que la persona puede presentar dificultades para

auto-evaluarse y responder correctamente. Diríamos que la persona no ha formado

proposiciones verbales sobre sí misma y su comportamiento en el ámbito que está

siendo cuestionado, o que, habiéndolas formado, dichas proposiciones no se

corresponden con la realidad. En muchas ocasiones, lo que las personas decimos que

hacemos no se corresponde con lo que efectivamente hacemos (Cattell, 1972;

Skinner y Howarth, 1973). Este problema también puede deberse a la inexactitud de

las preguntas planteadas, dado que se asume que el significado de las palabras es

unívoco y, sin embargo, los evaluados pueden interpretar un ítem de múltiples

formas, respondiendo en consecuencia. Esto puede percibirse claramente en el ítem

planteado anteriormente a modo de ejemplo “¿Se enfada usted con facilidad?”. Para

algunos, el enfado se referirá a un mínimo conflicto, para otros, a una gran explosión

de agresividad. Sus respuestas no estarán por tanto haciendo alusión la misma

realidad, aunque parezcan idénticas.

Asimismo, han sido señalados otros sesgos derivados del uso del

autoinforme: la tendencia a la aquiescencia, o lo que es lo mismo, la tendencia a dar

respuestas afirmativas independientemente del contenido de la pregunta (Anastasi,

1982); la tendencia a dar respuestas centrales o, por el contrario, extremas, de

nuevo, de forma independiente a lo cuestionado; y el efecto halo, por el cual el hecho

de haber respondido de forma positiva a un ítem es tomado como referencia por el

propio evaluado para valorar ítems posteriores relacionados con el primero

(Thorndike, 1920). Pese a que algunos de estos sesgos pueden ser detectados por el

evaluador mediante determinadas operaciones (De las Cuevas y González de Rivera,

1992), es evidente que los autoinformes no están exentos de limitaciones.

Por último, algunos autores también señalan la escasez de capacidad de

predicción de comportamiento de los autoinformes en diferentes contextos de

evaluación (Santacreu et al., 2006). Naturalmente, el objetivo principal de la

evaluación psicológica es predecir el comportamiento. Sin embargo, Santacreu et al.

(2006) encuentran múltiples ejemplos, en diferentes campos de la psicología, en los


66

que lo expresado en un autoinforme no correlaciona con el posterior

comportamiento asumiblemente relacionado. Coinciden así con Cattell y Kline

(1977) en que el autoinforme es útil para conocer las ideas que el evaluado puede

tener sobre sí mismo, pero no necesariamente para conocer su conducta real.

Además, señalan que la tendencia de las personas a mantener la coherencia en sus

ideas puede llevarles a justificar sus comportamientos contradictorios en lugar de

remodelar el concepto que tienen de sí mismos, lo cual dificulta la predictibilidad

del comportamiento en base a sus afirmaciones. Por ello, consideramos, junto a

muchos otros autores, que el mejor predictor del comportamiento futuro no es el

informe del individuo, sino el comportamiento presente del mismo y el

comportamiento pasado fruto de su historia de aprendizaje. Podemos intuir que, si

en determinada situación de evaluación una persona se comporta de cierta forma,

en situaciones similares de la vida real actuará de manera similar, dado que su

comportamiento se ve influido por las mismas variables disposicionales.

Teniendo en cuenta las razones expuestas, consideramos que no es adecuado

realizar una evaluación basada únicamente en medidas de autoinforme (Franke,

2002), sino que es preferible complementar con otras medidas lo que algunos han

llamado el “monopolio del autoinforme” en la evaluación de la personalidad

(Hernández, 2000). Éstos serán de gran utilidad para conocer las ideas del individuo

respecto a su comportamiento, siempre y cuando se apliquen las correcciones

necesarias para paliar los posibles sesgos. Sin embargo, será muy beneficioso

complementar la evaluación con otro tipo de medidas que analicen las

demostraciones conductuales de las competencias, los motivos y los estilos de

comportamiento de cada individuo. En el siguiente apartado se propondrá una

alternativa metodológica que cumple con estos requisitos.

2.2. La aparición de las pruebas objetivas y su desarrollo gracias a los

avances tecnológicos.

Cattell, ya en 1946 durante su estudio de la personalidad, sugirió la existencia

de diferentes fuentes de datos empíricos sobre un individuo: los datos L (Life data,

datos de la vida), los datos Q (Questionnarie data, datos de cuestionarios) y los datos


67

T (Situational Test data, datos de test situacionales) (Cattell, 1946). Los datos L

consisten en datos sobre el comportamiento real de las personas en su vida

localizados en fuentes externas, es decir, no autoinformados, como un expediente

académico, un archivo personal, una evaluación laboral de un superior, etc. Los

datos Q son los datos obtenidos del autoinforme del individuo a través de

cuestionarios. Los datos T comprenden observaciones de la conducta del individuo

en situaciones diseñadas para la evaluación de variables psicológicas. Estas dos

últimas fuentes de datos se asemejan a la distinción previamente mencionada entre

la expresión verbal del autoinforme y la demostración conductual.

El autor, en su esfuerzo por hacer científica la psicología, aseveró la

importancia de obtener datos empíricos para poder definir la personalidad de

alguien y para poder predecir su comportamiento. Junto con Warburton (Cattell y

Warburton, 1967) señaló la dificultad de obtener datos de la primera fuente, los

datos L, y la posibilidad de sesgo en los datos obtenidos por la segunda, los datos Q.

Por ello, propuso los test objetivos como medio para obtener datos T e insistió en la

relevancia de progresar en este camino. Los test que Cattell formula consisten en

pequeñas situaciones diseñadas para evaluar un aspecto de la personalidad en las

cuales se observa cómo se comporta el individuo. Creó más de 500 test para evaluar

diferentes variables de personalidad y motivación. Además, inventó los

denominados mental test, pruebas que evaluaban otras variables psicológicas del

individuo, desde la memoria hasta la discriminación sensorial. La base en la que se

fundamentan todas sus pruebas es la objetividad de la evaluación al basarse en

conductas reales difícilmente falsificables. Así, Cattell es considerado pionero en el

desarrollo de pruebas de evaluación objetivas.

Más adelante, especialmente a partir del progreso de las tecnologías de la

computación en la década de los 90, se produjo un auge en el desarrollo de test

objetivos (Proyer y Häusler, 2007). Esta segunda generación de test objetivos

comparte, con la primera generación de Cattell, la presentación de situaciones en las

que se recoge información de diversas formas de comportamiento del individuo: sus

acciones, la dirección de su mirada, sus tiempos de reacción, la conductancia de su

piel, etc., a partir de las cuales se infieren determinadas características personales.

Además, tales situaciones están diseñadas de forma que la persona evaluada no sea


68

consciente de qué aspecto psicológico está siendo evaluado, es decir, la variable que

se mide está enmascarada, lo cual previene el falseamiento de las respuestas (Proyer

y Häusler, 2007). Naturalmente, las situaciones se presentan de forma

estandarizada y las respuestas del individuo se operativizan de manera que sea

posible comparar a diferentes evaluados y que los test cuenten con las propiedades

psicométricas adecuadas. No obstante, los test actuales difieren en gran medida de

los originales de Cattell en su forma de presentación: la mayoría de ellos se

presentan a través de una pantalla de ordenador con el cual el usuario interactúa

mediante un dispositivo de entrada (ya sea un teclado, una pantalla táctil, un ratón,

etc.). Este mecanismo otorga un gran número de posibilidades en cuanto a las

situaciones ficticias que es posible representar, algunas de las cuales hubiera sido

muy costoso presentar en la realidad. Además, se facilita la recogida de datos, la cual

se puede llevar a cabo de forma muy precisa, rápida y sistematizada.

Hundleby (1973) propuso una clasificación de los diferentes tipos de test de

personalidad objetivos que fácilmente puede aplicarse a test objetivos que evalúan

otras variables del individuo diferentes de la personalidad. Asimismo, cabe destacar

que muchos de los factores asociados al aprendizaje, objeto de esta tesis, pueden ser

consideradas variables de personalidad, entendidas como estilos interactivos (la

minuciosidad u organización, la tendencia a la auto-regulación, los estilos de

aprendizaje). Así, resulta de interés para este trabajo la siguiente clasificación:

- Procedimientos que registran movimientos y expresiones corporales.

Incluiríamos aquí pruebas que recogen datos de los gestos, posturas y

expresiones faciales del individuo e incluso que registran sus movimientos

oculares y la fijación de su mirada en una determinada situación de test.

- Simulación de situaciones de la vida real. Se diseñan situaciones lo

más realistas y similares a la situación de interés posible y se observa el

comportamiento de los individuos. Por ejemplo, las dinámicas de las

entrevistas de trabajo, las pruebas de aptitudes físicas de acceso a los cuerpos

de seguridad del estado o el examen práctico de conducir.

- Análisis de variables fisiológicas. Se emplean medidas como la tasa

cardíaca, la conductancia de la piel, etc.


69

- Pruebas de rendimiento, motoras y perceptuales. Se trata de tareas en

las que se analiza la ejecución del sujeto, sus patrones de respuesta, la

influencia de factores externos y de la propia tarea sobre el comportamiento,

etc.

La mayoría de los test objetivos de personalidad creados en las últimas

décadas se encontrarían en el último grupo. Por ello, Ortner y Proyer (2015)

proponen una clasificación más actual que diferencia en tres categorías a los

recientes test objetivos de personalidad:

- Test objetivos de personalidad enmascarados como test de

rendimiento. Se trata de pruebas que enmascaran la variable de personalidad

que se está evaluando proponiendo al usuario una tarea de rendimiento que,

generalmente, ha de resolver de forma rápida y precisa, por la cual obtiene

una determinada puntuación. Esta tarea puede ser un test de discriminación

visual, rapidez perceptiva, cálculos aritméticos, etc. Durante su ejecución se

observan otras características de su respuesta para analizar variables

distintas del rendimiento como la impulsividad, la minuciosidad, la tendencia

al riesgo, etc. Este tipo de pruebas eran las originalmente desarrolladas por

Cattell aunque, por limitaciones tecnológicas, no se trataba de pruebas

informatizadas.

- Test objetivos de personalidad que representan situaciones de la vida

real. Se trata de pequeños videojuegos representativos de escenas cotidianas.

Pese a que las situaciones se asemejen a situaciones reales, la variable objeto

de estudio permanece enmascarada, dado que de nuevo al participante se le

presenta una meta que sirve de distracción.

- Test objetivos de personalidad en forma de cuestionarios. Pese a que

la palabra cuestionario pueda recordar a los autoinformes, en este caso los

cuestionarios no preguntan directamente a la persona sobre la variable

objeto de estudio confiando en el criterio del evaluado. Los test objetivos

describen situaciones pidiéndole al individuo que realice una consideración

o tome una decisión sobre algún aspecto de la situación. En lugar de tomar

su respuesta como indicativo de la variable estudiada, otras características


70

de ésta como la rapidez con la que se decide o la tendencia a elegir un tipo

concreto de respuestas son las medidas que se analizan.

En las décadas más recientes han proliferado los estudios que analizan las

propiedades y la capacidad predictiva de estos tipos de pruebas.

Un ejemplo de la primera categoría lo constituye el test de Objective

Achievement Motivation Test (OAT; Subtest 1; Schmidt-Atzert, 2004, citado en

Ortner y Proyer, 2015). Dicha prueba evalúa la motivación de logro camuflándose

como una prueba de rendimiento visual por la cual el participante ha de pulsar en

unos cuadrados verdes o rojos según la instrucción que se presente. El mayor

número de cuadrados pulsados se relaciona con la motivación por lograr un buen

resultado, dado que la competencia necesaria para realizar la prueba de

rendimiento visual es muy baja y, en principio, sería una variable que no influiría en

el rendimiento en la prueba. Las puntuaciones en el test correlacionaron de forma

significativa con las notas académicas obtenidas e incluso predijeron la posterior

tendencia espontánea de los estudiantes a involucrarse en trabajos voluntarios, por

lo que, efectivamente, concluían que la motivación de logro estaba siendo

correctamente evaluada (Ortner y Proyer, 2015).

Un ejemplo de la segunda categoría lo constituye el Test de la Ruleta

(Santacreu et al., 2006) que consiste en una representación en formato videojuego

del famoso juego de azar de ruleta. En función de las apuestas del participante, se

obtiene una medida de su tendencia al riesgo. Las puntuaciones obtenidas en el test

correlacionan con la tendencia a la adivinación, es decir, a responder de forma

azarosa en ausencia de conocimiento, en un test para solicitantes a un puesto de

controlador aéreo. En este apartado también encontraríamos el Test de Tendencia

al Riesgo de Guttmann y Bauer (Risk Behaviour Test, RBT, 2004, citado en Ortner y

Proyer, 2015), cuya clasificación entre participantes con mayor y menor tendencia

al riesgo coincidió en un 77% con las categorías de conductores cuyo consumo de

alcohol era notorio y conductores no consumidores.

En el último grupo de la clasificación podríamos destacar el Test Objetivo de

Pensamiento Heurístico (Objective Heuristic Thinking Test, OHTT, Jasper y Ortner,

2014) que evalúa sesgos de pensamiento mediante diferentes preguntas que


71

requieren al individuo hacer estimaciones de probabilidad. Según el conocimiento

de la autora, hasta el momento, no se han realizado análisis de validez predictiva de

dicha prueba. Es preciso tener presente que, como decíamos al inicio de este

capítulo, en una situación real el comportamiento depende tanto de las variables de

la persona como de las contingencias de la situación. Por tanto, lo que determina el

valor del test, además de su fiabilidad, precisión y estabilidad, es su validez tanto

predictiva como convergente. Es decir, tanto la correlación del rendimiento en el

test con comportamientos de la vida real como la correlación de su puntuación con

la obtenida en otras pruebas objetivas que midan la misma variable, en las que las

contingencias sean funcionalmente equivalentes, aun cuando la morfología de las

situaciones sea distinta.

Son múltiples las ventajas del uso de los test objetivos en la evaluación

psicológica. En primer lugar, cabe destacar la posibilidad de evaluar el

comportamiento real en lugar de la interpretación que la persona hace sobre su

propio comportamiento. De hecho, no es necesario que la persona tenga una opinión

formada sobre la variable que está siendo evaluada (Proyer y Häusler, 2007). Dado

que dicha opinión podría no ser totalmente precisa, se reduce una fuente de sesgo

al evaluar el comportamiento en sustitución del informe personal. Asimismo, el

individuo evaluado no ha de interpretar el contenido de ítems ambiguos lo cual

reduce la presencia de otros sesgos involuntarios. Es por ello por lo que Cattell y

Warburton (1967) calificaron a dichas pruebas con el adjetivo objetivas, dado que

las respuestas del individuo no dependen de su interpretación personal.

Igualmente, se reduce la posibilidad de sesgos voluntarios o lo que es lo

mismo, de falsificación de las respuestas. Los test objetivos están diseñados de

forma que el evaluado no sea consciente de qué se está evaluando ni de cómo se

interpretarán sus respuestas. De esta forma, no es posible distorsionar a voluntad

los resultados (Cattell y Schuerger, 1978). Numerosos estudios muestran que es más

complicado falsificar los resultados en un test objetivo que en un cuestionario

(Arendasy et al., 2011; Elliot et al., 1996; Ziegler et al., 2010).

Otro motivo por el cual puede decirse que los test gozan de objetividad

guarda relación con la forma de interpretación de los resultados. Para considerarse

test objetivos, las pruebas igualmente han de contar con un procedimiento


72

estandarizado de recogida y análisis de las respuestas de los individuos. Este

requisito se alcanza con mayor facilidad por el uso de computadores que otorgan

precisión a las medidas, pero al mismo tiempo requiere de un diseño previo de

operativización de variables. De esta forma, dos evaluadores distintos siempre

puntuarán e interpretarán de igual forma una misma ejecución (Cattell y

Warburton, 1967). Esta condición supone una ventaja respecto a la interpretación

de datos en otro tipo de pruebas como por ejemplo las técnicas proyectivas.

Por último, como muchos otros autores, destacamos la capacidad predictiva

del comportamiento de los test objetivos como uno de sus principales atributos

(Ortner y Proyer, 2015; Rubio et al., 2010; Santacreu et al., 2006). Como se ha

mencionado previamente, diversos estudios muestran la relación entre las

respuestas en test objetivos y el comportamiento real en la vida cotidiana de las

personas. Esta característica es de gran interés, ya que, como se ha mencionado

previamente, el interés en conocer las tendencias de comportamiento de las

personas, sus motivos o competencias, reside en poder predecir cómo se

comportarán en el futuro. Teniendo en cuenta todos los motivos aquí expuestos, la

inclusión de los test objetivos en los procesos de evaluación se torna sumamente

recomendable.

Con todo ello, es preciso subrayar la necesidad de cumplimiento de una serie

de requisitos en el diseño y empleo de test objetivos. Éstos deben cumplir con los

mismos criterios de calidad que el resto de test psicológicos (Proyer y Häusler,

2007). Además, es importante que cumplan con una serie de requisitos específicos.

Santacreu et al. (2006) señalan que, en primer lugar, es necesario que presenten

situaciones de contingencias abiertas. Esto implica que existan diferentes opciones

de respuesta entre las cuales la persona puede elegir, y que todas ellas otorguen la

misma tasa de refuerzo. Asimismo, debe evitarse proporcionar feedback referente a

la variable evaluada durante la prueba, ya que esto podría condicionar la ejecución

del evaluado, sesgando su tendencia natural de actuación. Únicamente será

recomendable otorgar dicho feedback cuando se desee analizar su influencia sobre

el individuo.

Los autores también señalan la importancia de que las situaciones que se

plantean sean funcionalmente equivalentes a las situaciones de la vida real en las


73

que entra en juego la variable a evaluar. Esto es, para predecir cómo se comportará

la persona en el futuro a raíz de un comportamiento presente es crucial que la

situación de evaluación sea análoga a la situación futura que se desea predecir y a

situaciones pasadas en las cuales el individuo ha aprendido a comportarse de la

forma en la que lo hará durante la evaluación. Asimismo, como se ha explicado

previamente, en la evaluación de los estilos interactivos y motivos, la variable objeto

de estudio deberá estar enmascarada para que el individuo no pueda falsear los

resultados.

Por otra parte, en función del factor que se pretenda evaluar, es necesario

asegurar que otros posibles factores influyentes en la ejecución del individuo no

interfieran en su rendimiento. Como hemos señalado, la historia del sujeto se

expresa en forma de tres factores o variables disposicionales: competencias, estilos

interactivos y motivos. Así, si se desea evaluar un estilo interactivo, esto es, una

variable o un aspecto de la personalidad del individuo, será necesario asegurar que

su motivación y sus competencias no influyan en su ejecución. Lo mismo ocurrirá

cuando el objeto de evaluación sea una competencia o un motivo, deberá asegurarse

que la influencia de las variables restantes no sesgue los resultados (Hernández,

2000).

Por último, como Santacreu et al. (2006) recalcan, las respuestas no deben

fundamentarse en el autoinforme del evaluado sino en su comportamiento. Además,

la interpretación de dicho comportamiento será estandarizada y acordada

previamente mediante el establecimiento de criterios, de forma que una misma

respuesta siempre suponga el mismo resultado en la variable evaluada.

De esta forma, en el momento en el que todos los criterios mencionados son

satisfechos y la prueba creada cumple con los requisitos psicométricos de fiabilidad

y validez, contaríamos con un test objetivo que permite evaluar aspectos de la

personalidad, la motivación y las competencias el individuo mediante la observación

de su comportamiento. Es posible evitar así numerosos sesgos y fortalecer la

evaluación basada en los autoinformes. Además, en el mejor de los casos, se

obtendría un método de predicción del comportamiento futuro de cuantioso valor.

Capítulo 3: La autorregulación.

75

CAPÍTULO 3:

La autorregulación.

1. Aproximación al concepto de autorregulación.

La autorregulación es una de las principales variables que se han relacionado

con el aprendizaje y los resultados académicos (Barkley y Fischer, 2011; Barkley,

2012; Naglieri y Das, 2005; Núñez et al., 1998; Rosário et al., 2005; Schunk y

Zimmerman, 1998; Zimmerman, 2002). Múltiples modelos de autorregulación en el

ámbito académico han sido formulados, siendo los más reconocidos los propuestos

por Zimmerman (2000); Pintrich (2000); Boekaerts (2011); Efklides (2011);

Hadwin, Järvelä y Miller (2011) y Winne (2011). Sin embargo, no existe un marco

teórico que los integre de forma coherente, como ya señalaron hace más de una

década Wirth y Leutner (2008). No es el objetivo de este capítulo realizar una

revisión sistemática de dichos modelos, la cual puede encontrarse en Panadero

(2017). En su lugar, expondremos de forma sintética uno de los modelos con mayor

nivel de penetración en la literatura científica con el fin de introducir al lector el

concepto de autorregulación del aprendizaje.

Zimmerman (2002) define la autorregulación del aprendizaje como un

proceso por el cual los estudiantes ponen en juego diferentes destrezas para

conseguir sus objetivos y el éxito académico. El autor precisa que no se trata de una

habilidad mental cristalizada o de un rasgo único característico de algunas personas,

sino que consiste en un proceso que el individuo lleva a cabo en determinados

momentos. De esta forma, Zimmerman se acerca al concepto de competencia

planteado durante el primer capítulo. La autorregulación, bajo la perspectiva de este

trabajo, consistiría en una competencia desarrollada en interacción con el ambiente,

que posibilita que el estudiante emita conductas auto-regulatorias en determinados

contextos. Las conductas auto-regulatorias que engloba el concepto de

autorregulación son muy diversas: desde la gestión del tiempo hasta la búsqueda de

ayuda de expertos, pasando por las auto-instrucciones o la auto-monitorización.


76

Además, estas conductas pueden llevarse a cabo en diferentes momentos del

proceso de aprendizaje. Como puede observarse en la propia definición, el

constructo de la autorregulación también incluye un elemento motivacional: los

objetivos del individuo. El propio Zimmerman, junto con Moylan (Zimmerman y

Moylan, 2009), señala que la autorregulación es el punto en el que la metacognición

y la motivación confluyen. Mientras que el término metacognición haría referencia

al conocimiento, vigilancia y ajuste del propio pensamiento y de los procesos

mentales, la autorregulación matizaría que las estrategias metacognitivas se

realizan con dirección a un fin o meta personal, que influirá en el esfuerzo, la

persistencia y la probabilidad con la que se lleven a cabo. Es decir, el estudiante no

siempre ejecutará las conductas de autorregulación con la misma probabilidad. En

función de las circunstancias en las que se encuentre, presentará determinados

motivos que harán más o menos probable que ejecute dichas conductas. De esta

forma, se destaca la cualidad de proceso dependiente de las circunstancias, esto es,

de conducta que interacciona con el contexto frente a la noción de autorregulación

como una habilidad rígida e independiente del entorno.

Figura 1. Fases y procesos de la autorregulación según Zimmerman y Moylan (2009). Tomado de Panadero y Alonso-Tapia (2014), p. 452.


77

Zimmerman (2000) señala que un estudiante que autorregula su

comportamiento con fin de aprender y/o de obtener buenos resultados académicos:

planifica antes de comenzar la tarea, realiza las tareas académicas previamente

planificadas y reflexiona sobre las tareas realizadas. Por tanto, distingue tres fases

en el proceso de autorregulación: la fase de planificación, que tiene lugar antes de

comenzar la tarea; la fase de ejecución, durante la realización de la tarea; y la fase de

autorreflexión, una vez que se ha finalizado ésta. El subconjunto de tareas de

autorregulación que se puede llevar a cabo en cada una de las tres fases viene

detallado en la figura 1. Es de esperar que los estudiantes que autorregulan su

comportamiento siguiendo estos procesos obtengan más altas calificaciones que

aquellos que estudian sin seguir este proceso de autorregulación.

En la última versión del modelo de autorregulación, Zimmerman y Moylan

(2009) describen con precisión las conductas de autorregulación que deberían

ejecutarse en cada una de las fases para un rendimiento satisfactorio. Señalan que

la primera fase, la fase de planificación, incluye todas las maniobras auto-dirigidas

que se ejecutan con el fin de preparar la tarea que posteriormente ha de

completarse. Estas acciones pueden clasificarse en dos grandes grupos: análisis de

la tarea y automotivación. El análisis de la tarea consiste en la división de la tarea en

subelementos y en la construcción de una estrategia de acción particular para poder

resolverla. Incluye, a su vez, dos elementos clave: la fijación de objetivos y la

planificación estratégica para lograrlos. Por otra parte, los factores motivacionales

tienen una gran influencia en esta fase al tratarse de una etapa de anticipación. La

autoeficacia, elemento clave en esta fase, puede definirse, de acuerdo con los

autores, como la percepción que tiene el individuo sobre su propia capacidad de

aprendizaje y rendimiento. La autoeficacia determinará el alcance de los objetivos

que se marque, así como las estrategias que decida emplear. Lo mismo ocurrirá con

otras variables motivacionales como el interés intrínseco por la tarea o las metas

académicas que exprese el estudiante. Si su objetivo es aprender, ganar

conocimientos y práctica, probablemente la planificación de estrategias que lleve a

cabo diferirá del caso en el que su objetivo se encamine a superar los exámenes sin

importar el conocimiento adquirido. Asimismo, las expectativas de resultado del

individuo serán determinantes en esta etapa. Todos estos factores influirán en la

percepción de la tarea y en la planificación de las estrategias a desarrollar durante


78

su ejecución (Panadero y Alonso-Tapia, 2014). Esta descripción de la fase de

planificación tiene una lógica indudable, sin embargo, actualmente, resulta muy

difícil de evaluar de manera objetiva. La evaluación de las conductas llevadas a cabo

en esta fase se ha fundamentado en el autoinforme del individuo.

Durante la fase ejecución de la tarea se dan procesos de dos clases

principales: auto-observación y auto-control. El individuo debe monitorizar

continuamente su actuación y evaluar si está siendo adecuada para lograr los

objetivos deseados. En caso contrario, deberá realizar los ajustes necesarios para

poder alcanzar el rendimiento esperado. Ambos procesos ocurren de forma

continua y se retroalimentan. En la presente investigación, el foco de atención se

sitúa en los comportamientos que se llevan a cabo durante esta fase, por lo que se

hará hincapié en su descripción teórica.

Algunas de las estrategias características de esta fase son específicas para

una tarea concreta, relacionadas con el abordaje de los diferentes componentes de

la tarea. Otras, por el contrario, son generales, resultando útiles para cualquier tipo

de labor.

Las operaciones de auto-observación pueden estar dirigidas tanto a la

observación de la propia conducta, véase los pensamientos que uno mismo

presenta, las emociones que experimenta, el grado de motivación o la propia

ejecución en la tarea, como a la observación de los resultados que dicha ejecución

produce en la tarea. Así, una forma de auto-observación es la auto-monitorización

del proceso de resolución de la tarea y de su progreso, para la posterior auto-

evaluación en base a un criterio previamente establecido para determinar si el

progreso resulta satisfactorio. Este criterio dependerá de los objetivos marcados en

la fase de planificación. Por otra parte, el auto-registro es un método de auto-

observación más formal, donde se registran o anotan determinadas medidas de la

ejecución, por ejemplo, el tiempo empleado para escribir un texto, el tipo de errores

cometidos más frecuentemente etc. Resulta útil para analizar aspectos de la propia

ejecución que podrían ser difíciles de percibir sin el uso de un registro.

Muchos autores han señalado la importancia de la auto-observación para el

progreso del rendimiento (Boekaerts et al., 2000; Efklides, 2011; Winne y Hadwin,


79

1998; Zimmerman, 2011). De igual forma, van Loon et al. (2017) hacen hincapié en

la importancia de la auto-evaluación de los aprendices, así como en la necesidad de

prestar atención a la retroalimentación o feedback otorgado por la tarea o por los

maestros, a fin de resolver sus errores. Panadero et al. (2019) también subrayan la

utilidad del juicio evaluativo, esto es, la capacidad de juzgar la calidad del propio

desempeño o del de los demás, para todas las prácticas de aprendizaje. Gracias a la

auto-observación, es posible llevar a cabo los procesos de auto-control con el fin de

mantener y/o modificar los aspectos necesarios de la propia ejecución. Mediante

esta estrategia es posible ajustarse a los objetivos de la tarea, manteniendo el interés

y la motivación por ésta durante su resolución.

Múltiples estrategias pueden emplearse con el fin de auto-controlar la

ejecución, siendo en ocasiones específicas para una tarea o, y en otras, estrategias

generales. La primera categoría está formada por acciones específicas encaminadas

a lograr determinados objetivos de la tarea: subrayar un texto, subdividir los

ejercicios en pequeños pasos, repasar información, etc. Por otra parte, en la

categoría de estrategias generales se incluyen una gran variedad de procedimientos

útiles para la mayoría de las tareas: auto-instrucciones, imágenes mentales, gestión

del tiempo, control del entorno de trabajo, búsqueda de ayuda, auto-motivación o

auto-consecuencias.

Las auto-instrucciones consisten en mensajes que el individuo se da a sí

mismo para guiar su ejecución, incluyendo el preguntarse a uno mismo si ha

comprendido lo leído, cuál es el modo más adecuado de proceder, etc. Las auto-

instrucciones son consideradas como una internalización del lenguaje externo del

niño (Vygostky, 1995) que pueden entrenarse para la regulación autónoma de la

propia conducta (Meichenbaum y Goodman, 1971). El empleo de estas

verbalizaciones resulta de gran utilidad para mejorar el rendimiento y aprendizaje

de los estudiantes (Schunk, 1982).

Las imágenes mentales consisten en representaciones que el individuo puede

tratar de imaginar para comprender mejor la información, como mapas

conceptuales, esquemas, etc. Además, facilitan el ejercicio de detección de la

información más relevante, así como la posterior atención a dichos datos clave.


80

Otra de las estrategias generales de gran importancia es la gestión del tiempo.

Es necesaria para lograr terminar las tareas a tiempo y para no experimentar la

sensación de escasez de tiempo que puede generar ansiedad y deteriorar la

motivación, la percepción de autoeficacia, etc. y, por tanto, minar la conducta de

autorregulación. La gestión del tiempo incluye la monitorización del proceso y la

adaptación del ritmo de ejecución en caso necesario. Esta estrategia ha sido

constatada como una práctica asociada al aprendizaje y rendimiento académico

(Britton y Tesser, 1991).

Otra conducta a emprender durante la fase de ejecución es el control del

entorno de trabajo. Se trata de manipular o estructurar el medio de trabajo, tratando

de evitar distracciones, utilizando herramientas informáticas que faciliten la

escritura o la búsqueda de información, etc. Asimismo, la estrategia de pedir ayuda

a otros individuos más expertos en la materia que puedan guiar el proceso de

resolución se considera una estrategia de autocontrol.

De igual forma, durante la fase de ejecución pueden aparecer estrategias

relacionadas con la motivación y el interés por la tarea. La primera, denominada

auto-motivación, trata de auto-generar interés por la resolución de la tarea, por

ejemplo, gammificándola o, lo que es lo mismo, asemejándola a un juego. Para ello,

el individuo puede ponerse pequeños retos, tratar de rendir más que sus

compañeros, etc. Asimismo, la estrategia de auto-consecuencias consiste en

recordarse a uno mismo las consecuencias positivas que acarreará la resolución de

la tarea (por ejemplo, superar una asignatura, conseguir estudiar la carrera deseada

en el futuro, etc.) o incluso auto-proporcionarse recompensas o refuerzos cuando se

alcanzan los objetivos marcados.

Todas las estrategias de auto-control mencionadas han de adaptarse en

función de los resultados que se van logrando, del progreso de la tarea, del estado

del propio individuo durante su resolución, etc. Por ello, como se ha mencionado, la

auto-observación es crucial para el posterior desempeño del auto-control. Además,

los resultados de la propia estrategia de auto-control habrán de ser observados para

continuar auto-controlando con precisión durante el tiempo restante de la tarea, por

lo que ambas estrategias se retroalimentan y resultan imprescindibles. Sin embargo,

cabe destacar el nivel de dificultad que conlleva realizar una tarea y al mismo tiempo


81

mantener una estrategia de auto-observación y auto-control. Los recursos

cognitivos son limitados y por tanto el estudiante ha de perfeccionar esta habilidad

siendo capaz de enfocarse en los aspectos clave del proceso (Kostons, van Gog, y

Paas, 2009; Panadero y Alonso-Tapia, 2014).

La última fase del aprendizaje auto-regulado está marcada por la auto-

reflexión. Se trata de la forma en la que el individuo reacciona a su ejecución una vez

que ha finalizado la tarea. Consta de componentes de auto-juicio y auto-reacción que

influirán en posteriores estrategias de autorregulación. El auto-juicio comprende

una auto-evaluación en la que el aprendiz compara su ejecución con los criterios de

evaluación o estándares de la tarea y con los objetivos que el propio aprendiz se

había fijado previamente. De esta forma, un mismo resultado en una tarea puede ser

evaluado como positivo o negativo en función de los objetivos y expectativas que se

hubiera planteado el propio individuo. Por otra parte, esta comparación también

puede darse con ejecuciones previas, de manera que se evalúe el progreso o avance

alcanzado; o bien puede compararse la propia ejecución con la de los demás

compañeros, valorando un resultado como negativo si otros estudiantes han logrado

un mejor rendimiento. Tras la autoevaluación, el aprendiz tiende a realizar una

atribución causal, es decir, una explicación sobre las posibles causas del resultado

obtenido. La atribución puede ser interna, es decir, situando la responsabilidad del

resultado en uno mismo, o por el contrario externa, asociando el resultado al apoyo

de otras personas o a factores como la dificultad de la prueba. De igual forma, la

causa puede concebirse como controlable, siendo por ejemplo el esfuerzo o

dedicación empleados, o por el contrario puede percibirse como incontrolable,

debiéndose a factores como la suerte o a una capacidad cognitiva inalterable. La

atribución causal que el individuo realice influirá en la posterior sensación de

autoeficacia y control y, por tanto, en futuros comportamientos de autorregulación.

Durante esta fase también se produce una auto-reacción como consecuencia

del auto-juicio realizado, es decir, se desencadenan pensamientos y emociones tras

éste. Igualmente, esta reacción condiciona la motivación y actuación que se

producirá en el futuro. Por ello, como señalan Zimmerman y Moylan (2009), es

necesario tener en cuenta los dos procesos que se producen en torno a la auto-

reacción: auto-satisfacción e inferencia adaptativa/defensiva. La auto-satisfacción


82

se define como las reacciones afectivas y cognitivas que el estudiante experimenta

ante el modo en que ha juzgado su ejecución, las causas de ésta e incluso a sí mismo.

En caso de que haya considerado que su ejecución fue insuficiente y que ésta se debe

a causas internas e incontrolables, como una baja capacidad intelectual, cabe

esperar que los pensamientos y emociones que se generen posteriormente no sean

agradables ni esperanzadores. Esto no sucederá cuando pese a haber encontrado un

resultado como insuficiente, se entienda que la causa la constituye una carencia de

dedicación, por ejemplo, fácilmente reconducible. Por otra parte, respecto al

proceso de generación de inferencias, una inferencia adaptativa supone una actitud

de mantener el esfuerzo para continuar aprendiendo, ya sea conservando o

modificando las estrategias empleadas. Sin embargo, las inferencias defensivas

implican un deseo de evitar realizar la tarea de nuevo con el fin de escapar del

sentimiento de fracaso e insatisfacción experimentado.

De esta forma, para Zimmerman (2000), el proceso de autorregulación

comienza antes de que el individuo se enfrente a la tarea, y termina después de que

ésta haya sido finalizada. Cada fase repercute en las demás de manera cíclica, de

manera que lo ocurre durante las fases también tiene influencia en posteriores ciclos

de autorregulación. Es por ello que este modelo se ha denominado modelo cíclico de

autorregulación. Zimmerman (2013) formuló también el modelo multinivel, en el

que hace hincapié en el proceso de adquisición y desarrollo de las estrategias de

autorregulación. En dicho modelo, el autor postula la existencia de cuatro niveles o

etapas para el desarrollo de la autorregulación. En el primer nivel prima la

observación de un modelo, una persona que pone en marcha determinadas

habilidades de autorregulación. En el segundo nivel, el estudiante trata de imitar los

comportamientos observados en el modelo. Estos dos primeros niveles se

considerarían de índole social por la relevancia de la actuación de otras personas.

En un tercer momento, ya centrado en el individuo, el aprendiz ejecuta

comportamientos autorregulados sin necesidad de que el modelo esté presente. En

el último nivel el estudiante habrá automatizado dichos comportamientos y los

utilizará de forma estratégica adaptándolos en función de las necesidades de la

tarea. Los primeros niveles suelen asociarse a etapas educativas inferiores, mientras

que en etapas superiores los estudiantes tienden a regularse de forma autónoma.

Así, durante la formación primaria, los profesores desempeñan un papel principal


83

en la regulación del aprendizaje de los estudiantes, estableciendo objetivos,

gestionando su tiempo mientras resuelven las tareas, administrando los deberes,

etc. Posteriormente, según los estudiantes avanzan en las etapas del sistema

educativo, los maestros reducen gradualmente su ayuda y esperan que los

estudiantes incorporen estos procesos de autorregulación (Ramdass y Zimmerman,

2011). Como puede inferirse, en este proceso se dan aprendizajes por observación

de modelos al observar al profesor, por instrucciones al recibir información de cómo

organizar las tareas por parte del maestro y por condicionamiento operante al ser

reforzada la conducta de autorregulación, ya sea intencionalmente por el maestro o

de forma “accidental” al producirse consecuencias positivas para el aprendizaje y el

rendimiento académico del alumno tras su ejecución. Todo ello hace que de forma

gradual el estudiante vaya adquiriendo la competencia de autorregulación y se haga

más probable que ejecute dichas conductas en diferentes situaciones.

Sin embargo, incluso en la universidad, muchos estudiantes carecen de

estrategias de autorregulación (Cazan, 2013; Peverly et al., 2003). La buena noticia

es que estas estrategias de autorregulación pueden entrenarse y las intervenciones

para fomentar el aprendizaje autorregulado adecuadamente diseñadas han

resultado exitosas al mejorar el aprendizaje de los estudiantes (Hattie et al., 1996;

Panadero, 2017).

Ramdass y Zimmerman (2011) realizaron una revisión sistemática y

concluyeron que los comportamientos de auto-regulación se desarrollan

gradualmente mediante la práctica. Además, revelaron que el entrenamiento en

autorregulación podía aplicarse de forma eficaz a los estudiantes de todos los

niveles educativos mediante actividades en el aula y tareas.

Schmitz y Wiese (2006) desarrollaron un programa de entrenamiento

basado en el modelo de Zimmerman y lo aplicaron durante cuatro semanas a 40

estudiantes universitarios. A través de un análisis de series temporales, los autores

demostraron la eficacia de la intervención en la promoción de conductas auto-

reguladoras reportadas mediante diarios de aprendizaje. Los tamaños del efecto

encontrados variaron en función del factor de autorregulación considerado, desde

.08 hasta .92, siendo superiores a .2 en la mayoría de las variables.


84

Bellhäuser, Lösch, Winter y Schmitz (2006) desarrollaron un entrenamiento

online para fomentar el aprendizaje autorregulado. 211 estudiantes universitarios

probaron la herramienta mostrando un aumento significativo de los

comportamientos de aprendizaje autorregulado, registrado a través de diarios de

aprendizaje y cuestionarios (tamaño del efecto ηp2 = .20).

En el meta-análisis de Dignath, Buettner y Langfeldt (2008), se establece la

conclusión de que los programas de entrenamiento en autorregulación son eficaces

con los escolares, incluso a nivel de la escuela primaria. El tamaño del efecto medio

fue de .69, aunando las muestras de educación primaria y secundaria.

Dörrenbächer y Perels (2016) entrenaron a estudiantes universitarios

durante seis semanas y descubrieron que los estudiantes que previamente

mostraban una capacidad de autorregulación moderada se beneficiaron de la

intervención, mejorando su habilidad auto-reguladora evaluada mediante un

cuestionario ad hoc (d=.77).

En conclusión, las estrategias de autorregulación pueden ser aprendidas.

Como se ha descrito, las conductas de autorregulación son muy diversas y variarán

en función de la fase, de la tarea, del propio individuo, etc. En el siguiente punto

ilustraremos la relevancia que posee la adquisición de dichas competencias.

2. La autorregulación como promotora del aprendizaje y del

rendimiento académico.

La relación entre la autorregulación y el rendimiento académico ha sido

ampliamente estudiada en diferentes etapas educativas y mediante diferentes

instrumentos. La vasta mayoría de los trabajos concluyen que se trata de una

capacidad esencial para el éxito académico (Zimmerman, 1990). Ramdass y

Zimmerman (2011) incluso afirman que la autorregulación es fundamental para

desarrollar múltiples profesiones de forma próspera. Asimismo, algunos autores

han realizado estudios en los que relacionan la autorregulación con el aprendizaje

más allá de los resultados académicos (Sitzmann y Ely, 2011). El término

aprendizaje autorregulado, originalmente self-regulated learning (SRL, Zimmerman,


85

1986) incide en dicha relación, destacando la importancia de la autorregulación en

el proceso de aprendizaje.

Diferentes autores han señalado la importancia de la autorregulación desde

etapas académicas tempranas de educación primaria e incluso pre-escolares. Blair

y Razza (2007) entienden que la capacidad de inhibir respuestas automáticas o

instintivas para dar una respuesta deliberada y correcta es un componente básico

de la auto-regulación, por lo que realizaron un estudio utilizando una prueba de peg-

tapping o lo que es lo mismo, un examen en el que el infante ha de dar determinado

número de suaves golpes en un punto en función de las instrucciones del

experimentador, inhibiendo la tendencia natural de imitar el número de golpes que

a su vez el experimentador propina. Contaron con pre-escolares de 3 a 5 años y

encontraron que los niños que mostraron mayor control inhibitorio en el estudio,

lograron un rendimiento superior en los test de matemáticas y conocimiento de

letras del jardín de infancia, independientemente de su nivel de inteligencia. Las

correlaciones encontradas fueron de .47 en el caso de matemáticas, y .18 en las

pruebas de conocimientos sobre letras.

Otro estudio realizado también con infantes de entre 5 y 6 años, analizó la

relación entre la capacidad de autorregulación conductual en el jardín de infancia y

adaptación a la escuela en el primer grado (von Suchodoletz et al., 2009). Para

evaluar la autorregulación conductual, se basaron en habilidades tales como

retrasar la gratificación, seguir instrucciones e inhibir comportamiento impulsivo o

agresivo, y lo hicieron mediante dos pruebas conductuales: la conocida prueba de la

demora de la golosina y la Torre de la Paciencia, las cuales forman parte de la batería

Laboratory Temperament Assessment (Lab-TAB; Goldsmith y Rothbart, 1993).

Encontraron que la autorregulación del comportamiento predice el rendimiento

escolar en mayor medida que la inteligencia, hallando un tamaño del efecto alto

(f2=.62).

En etapas escolares superiores es donde se han realizado la mayoría de las

investigaciones, ya que se espera que los estudiantes hayan desarrollado en mayor

medida sus habilidades de autorregulación. Zimmerman y Martínez-Pons (1986)

estudiaron la influencia de la autorregulación en educación secundaria,

concretamente en décimo grado, que corresponde con estudiantes entre 15 y 16


86

años. La autorregulación se evaluó utilizando una entrevista estructurada creada ad

hoc. Los autores encuentran que la tendencia al aprendizaje autorregulado, junto

con la metacognición y las expectativas de rendimiento, explica una cantidad

moderada de la varianza del rendimiento académico en Lenguaje y Matemáticas (R2

= .22 y R2 = .29, respectivamente).

Posteriormente, DiBenedetto y Zimmerman (2010) compararon a

estudiantes de secundaria, en este caso de undécimo grado, que obtuvieron altas y

bajas calificaciones, analizando el uso de las estrategias de autorregulación que

empleaban. Cuando los estudiantes estaban completando una tarea, se les preguntó

sobre los procesos de autocontrol y auto-observación que estaban llevando a cabo,

utilizando así el método de evaluación denominado think-aloud. Comprobaron que

los estudiantes de alto rendimiento en asignaturas de ciencias utilizaban un número

significativamente mayor de estrategias de autocontrol al resolver la tarea que los

estudiantes de bajo rendimiento. El tamaño del efecto (ηp2 = .18) se consideró

grande. Además, la calidad de las conductas de autocontrol de los estudiantes de alto

rendimiento también fue significativamente mayor que la de los estudiantes de bajo

y medio rendimiento (ηp2 = .41)

Asimismo, Cleary y Chen (2009) presentaron evidencias de que el uso de

estrategias de autorregulación diferenciaba de manera fiable a los alumnos de alto

y bajo rendimiento en las clases de matemáticas avanzadas en los cursos sexto a

octavo, esto es, de los 11 a los 13 años aproximadamente (η2 = .04). No obstante,

destacaron que esta relación únicamente aparece en entornos que requieren altos

niveles de autodisciplina y persistencia, como en los cursos avanzados de

matemáticas.

Duckworth y Seligman (2005) obtuvieron resultados similares a los

presentados años atrás por Zimmerman y Martínez-Pons (1986), reforzando la

afirmación de que la autorregulación tiene mayor repercusión que la inteligencia

sobre los resultados académicos (r=.67 y r=.32, respectivamente). La capacidad de

autorregulación de los estudiantes de octavo curso (13 años de edad) fue evaluada

en base a los resultados de una tarea de demora de la gratificación, al auto-informe

de autocontrol mediante el cuestionario Brief Self-Control Scale (BSCS; Tangney et


87

al., 2004) y al informe de padres y profesores mediante la escala de autocontrol Self-

Control Rating Scale (SCRS; Kendall y Wilcox, 1979).

De igual forma, múltiples investigaciones se han centrado en etapas

académicas superiores como la universidad, momento en el cual la autorregulación

toma un papel clave en el aprendizaje de los estudiantes, cuya autonomía en el

estudio será imprescindible en un entorno menos dirigido y supervisado. Sitzmann

y Ely (2011) realizaron un meta-análisis aunando múltiples trabajos llevados a cabo

hasta ese momento sobre el aprendizaje autorregulado en adultos. Analizaron 430

muestras tras lo cual concluyeron que los factores de autorregulación que más

influencia tienen sobre el aprendizaje en adultos son la persistencia, el esfuerzo, la

percepción de auto-eficacia y la proyección de las metas personales, siendo capaces

de explicar de forma conjunta el 17% de la varianza del aprendizaje logrado.

Pintrich et al. (1993) encuentran una correlación positiva entre la

autorregulación evaluada mediante un cuestionario diseñado por los propios

autores para el estudio y las notas finales de la universidad (r = .30).

Britton y Tesser (1991) desarrollaron un estudio longitudinal durante 4 años

analizando los efectos de las prácticas de gestión del tiempo, componente clave de

la autorregulación, en el éxito académico durante los años universitarios. Para ello,

utilizaron un cuestionario creado ad hoc. La habilidad de gestión del tiempo al inicio

de su carrera universitaria predijo de forma significativa el promedio total de las

calificaciones obtenidas durante el grado (R2 = .22).

Más adelante, Dörrenbächer y Perels (2016) desarrollaron un análisis

multivariante de clases latentes con estudiantes universitarios y hallaron que

aquellos con un perfil de alta motivación y alto aprendizaje autorregulado obtenían

mejores resultados académicos (ηp2 = .10). Para evaluar el aprendizaje

autorregulado, crearon un cuestionario ad hoc basándose en el modelo de

Zimmerman (2000) y, como medida del rendimiento académico, tomaron la

puntuación global media del curso en el que se encontraban.

Como puede observarse, los estudios citados presentan numerosas

variaciones. La concepción y definición de la autorregulación en la que se basan

difiere en numerosas ocasiones, y como consecuencia también los métodos


88

utilizados para evaluar dicho constructo. De igual forma, algunos de ellos analizan

la relación de la autorregulación con el aprendizaje, otros, con los resultados

académicos. A su vez, algunos de ellos lo hacen de forma sincrónica mientras que

otros realizan estudios longitudinales. Sin embargo, la conclusión que obtienen

todos ellos es similar: la autorregulación promueve el aprendizaje y el éxito

académico. Es por ello que consideramos de gran relevancia ahondar en el estudio

de esta relación. Así, en el presente trabajo, nos gustaría acercarnos a la

autorregulación y su relación con el aprendizaje y los resultados académicos desde

una perspectiva conductual, empleando métodos de evaluación objetivos que

garanticen la calidad de los resultados.

3. La evaluación de la autorregulación: autoinformes y pruebas

objetivas.

En el anterior apartado se ha podido observar la amplia variabilidad en los

métodos empleados para evaluar la autorregulación: cuestionarios creados ad hoc,

informes de padres y profesores, procedimientos como el think aloud, etc. En las

siguientes líneas trataremos de describir y clasificar brevemente los métodos de

evaluación más utilizados en la investigación sobre la autorregulación, con el fin de

justificar la elección de los instrumentos empleados en esta tesis.

Winne y Perry (2000) tratan esta cuestión y enumeran las clases de

instrumentos más utilizadas en el ámbito de la autorregulación:

- Cuestionarios de tipo autoinforme. Este tipo de cuestionarios

evalúan las consideraciones de los individuos acerca de las acciones y

procesos cognitivos que suelen llevar a cabo durante su aprendizaje. Es decir,

se basan en la memoria de los individuos y en su interpretación de sus

recuerdos. Estos test aspiran a proporcionar una medida general de la

capacidad de autorregulación del individuo, así como del dominio de

diferentes estrategias, independientemente de situaciones o tareas

específicas. Los más utilizados en el ámbito de la autorregulación son el

Inventario de Estrategias de Aprendizaje y Estudio (Learning and Study

Strategies Inventory, LASSI, Weinstein et al., 1987) y el Cuestionario de


89

Motivación y Estrategias de Aprendizaje (Motivated Strategies Learning

Questionnaire, MSLQ, Pintrich, Smith, García, y McKeachie, 1991). Ambos

cuestionarios contienen diversos ítems o afirmaciones acerca del uso de

determinadas estrategias de aprendizaje y acerca de las motivaciones

personales en el ámbito del aprendizaje, a las cuales el estudiante responde

señalando el nivel de coincidencia que considera que tiene con sus

comportamientos habituales. Mientras que el primer cuestionario puede

emplearse en cualquier etapa académica, el segundo está formulado para

estudiantes universitarios.

- Entrevistas estructuradas. Se trata de un procedimiento oral

por el cual se le realizan al individuo cuestiones específicas sobre su

comportamiento auto-regulador. De nuevo, el evaluado ha de basarse en sus

recuerdos para explicar su comportamiento típico, o incluso, tomar

decisiones sobre qué considera que es más probable que hiciera en una

hipotética situación futura. Sus afirmaciones son posteriormente

interpretadas para obtener su nivel de capacidad auto-reguladora. Una de las

entrevistas estructuradas más empleadas es la Self-Regulated Learning

Interview Schedule (SRLIS) desarrollada por Zimmerman y Martínez-Pons

(1986) para valorar los catorce tipos de estrategias auto-reguladoras que

podían ser empleadas por los estudiantes.

- Juicio del profesor. El maestro o tutor juzga los

comportamientos diarios del alumno y extrae conclusiones sobre su

habilidad auto-reguladora. Para facilitar esta tarea, Zimmerman y Martínez-

Pons (1988) crearon una escala denominada Rating Student Self-regulated

Learning Outcomes: A Teacher Scale. De nuevo, se trata de un cuestionario

tipo Lickert donde se reflejan los catorce tipos de estrategias

autorreguladoras propuestas.

- Método think aloud (pensar en voz alta). Se trata de un

procedimiento por el cual se le realizan determinadas preguntas al evaluado

mientras trata de resolver una tarea, de forma que exprese en voz alta los


90

procesos cognitivos que está llevando a cabo durante la resolución. En

ocasiones, se le pide al evaluado que exprese sus pensamientos de forma

continua, en otras ocasiones cada determinado tiempo y en otras al final de

la tarea. Posteriormente, el evaluador interpreta las verbalizaciones del

estudiante valorando el nivel de autorregulación que representan, para lo

cual en muchas ocasiones se emplea el protocolo creado por Zimmerman y

Martínez-Pons (1986).

- Pruebas de detección de errores. Este método introduce ciertos

errores o gazapos en diferentes tareas con el objetivo de comprobar si el

evaluado es capaz de detectar dichos errores y los procesos cognitivos que

sigue para detectarlos. Se evalúa, por tanto, la capacidad de monitorización y

autoobservación de la comprensión de la tarea.

- Trace methodology o Metodología de rastros. Se basa en

analizar los rastros o huellas que los estudiantes dejan en los materiales de

trabajo tras haber realizado un aprendizaje autorregulado. Estas huellas

pueden ser anotaciones, líneas de subrayado, resúmenes, pequeños

esquemas, comentarios personales, etc. Constituyen señales de los procesos

de metacognitivos que el estudiante ha llevado a cabo, sin embargo, su

interpretación puede resultar compleja.

- Observación directa. Mediante este método los examinadores

observan de forma directa el comportamiento de un estudiante mientras

trata de resolver una tarea y emiten juicios sobre sus conductas auto-

reguladoras. Actualmente, gracias al avance de las tecnologías, la tarea puede

ser configurada como un programa informático de manera que se registren

de forma precisa todas las acciones del evaluado. Este tipo de medidas, al

igual que las trace methodologies, se basan en fuentes de datos objetivas

desde el punto de vista del evaluado, no dependientes de su recuerdo o

interpretación, por lo que evitan múltiples sesgos. Además, se evalúa lo que

el estudiante realmente hace al resolver una tarea. A diferencia del método

think aloud, no se interrumpe al estudiante ni se altera el medio


91

preguntándole acerca de su conducta mientras resuelve la prueba. Asimismo,

es posible estudiar la influencia de determinados contextos o tipos de tareas

específicas en el comportamiento del estudiante, en lugar de evaluar la

tendencia a la autorregulación de forma general e independiente del

contexto. Estas medidas de observación directa corresponderían con las

pruebas objetivas de evaluación mencionadas en el primer capítulo.

Winne y Perry (2000) clasifican esta variedad de pruebas en dos grandes

bloques diferenciados por la forma subyacente de concebir la autorregulación.

Consideran que existen dos enfoques alternativos: el primero, concibe la

autorregulación como una aptitud, mientras que el segundo la concibe como una

actividad o conducta (event). Al considerar que la autorregulación es una aptitud se

entiende que es una cualidad relativamente estable del alumno, una capacidad que

le permite autorregular su comportamiento. Por tanto, desde este enfoque se

utilizan medidas como los autoinformes, las entrevistas o los juicios de los allegados

que, mediante sus recuerdos y valoraciones, informan del nivel de autorregulación

que el individuo posee, independiente de tareas, materias o situaciones concretas.

Así, se considera que es posible predecir cómo será el comportamiento futuro del

estudiante, ya que será dependiente de su capacidad. Por el contrario, cuando se

entiende que la autorregulación es una actividad, se considera que tiene lugar en un

momento y contexto concretos que tienen influencia sobre el proceso. De esta forma,

en lugar de aspirar a una medida general de la capacidad del individuo, se trata de

observar el proceso específico que tiene lugar en un determinado momento. Con

este enfoque se suelen emplear métodos de evaluación como la observación directa,

las tareas de detección de errores o las trace methodologies, que evalúan el

comportamiento del estudiante en una situación y momento determinados.

Al igual que Winne y Perry (2000), consideramos que es posible una tercera

perspectiva alternativa que aúne los dos enfoques planteados. Bajo la asunción de

la teoría de la conducta humana (Santacreu et al., 2002), expuesta en el capítulo 1,

entendemos que la autorregulación es una competencia que se desarrolla a lo largo

de la historia de aprendizaje del individuo, es decir, una variable disposicional que

posibilita la emisión de ciertas conductas. Se aprende en interacción con el medio

como cualquier otra conducta. Ramdass y Zimmerman (2011) señalaban que en


92

etapas escolares tempranas los maestros son los que regulan el aprendizaje de los

alumnos, guiando su comportamiento. Con el transcurso de los cursos escolares, los

profesores retiran de forma gradual esa regulación externa de manera que sean los

propios estudiantes los que autorregulen su comportamiento. Así, los maestros

actúan como modelos favoreciendo un aprendizaje por observación durante los

primeros años y posteriormente reforzando las conductas auto-reguladoras,

utilizando incluso procedimientos como el moldeamiento o las instrucciones

verbales. De igual forma, cuando el estudiante emplea conductas de autorregulación

es probable que éstas se vean reforzadas por el medio al facilitar la obtención de

buenos resultados académicos, el alcance de metas personales y el refuerzo social

de los padres o tutores. Esta competencia que el alumno ha aprendido posibilitará,

y hará probable, que en el futuro se ejecuten conductas auto-reguladoras. De esta

forma, consideramos que la evaluación objetiva de la autorregulación sí permite

predecir cómo se comportará el estudiante en el futuro, dado que las variables

disposicionales juegan un papel relevante a la hora de explicar la conducta. Nos

encontraríamos, por tanto, en consonancia con el primer enfoque.

Sin embargo, consideramos que no existe una entidad interna que impulsa al

individuo a emitir dichas conductas, simplemente dichas conductas han sido

aprendidas, de manera que en circunstancias similares el estudiante tenderá a

emitirlas de nuevo, siempre y cuando el contexto lo estimule. Coincidiríamos así con

el segundo enfoque que entiende la autorregulación como una conducta que se

emite en un momento determinado y es dependiente del contexto en el que se

ejecuta.

El modo en el que la autorregulación se evalúa resulta clave para la posterior

predicción del comportamiento autorregulado. Si empleamos autoinformes,

medidas características del primer enfoque, estaremos evaluando la concepción que

el estudiante tiene sobre su tendencia a la autorregulación, esto es, las proposiciones

verbales que se ha formulado sobre sí mismo. Sin embargo, como ya hemos

apostillado previamente, estas proposiciones verbales no siempre corresponden

con su comportamiento real. De esta forma, la evaluación mediante el autoinforme

será útil para conocer las ideas del individuo sobre sí mismo, y para predecir las

ideas que expresará en el futuro. Sin embargo, si queremos predecir la conducta


93

futura, lo ideal es que nos basemos en medidas que evalúen de forma directa la

conducta, como las observaciones directas, las trace methodologies o las tareas de

detección de errores. De esta forma, abogamos por evaluar la autorregulación tal y

como propone el segundo enfoque.

Como puede observarse, la aproximación que aquí planteamos, basada en la

teoría del comportamiento humano, aúna características de ambos enfoques,

proponiendo una visión alternativa al constructo que desemboca en un

procedimiento objetivo de evaluación. Un ejemplo de investigación desde esta

perspectiva podría constituirlo el trabajo de Santacreu y Quiroga (2016). Pese a que

el objetivo inicial de su estudio no estaba relacionado con la autorregulación, sí lo

estaba con el aprendizaje. Los autores emplearon una prueba objetiva de

aprendizaje de categorías en niños de educación primaria. Mediante el Test de

Aprendizaje de Categorías (Category Learning Test, CLT, Quiroga et al., 2011) se

registró el comportamiento de los estudiantes durante la resolución de la tarea, lo

cual les permitió observar que aquellos que actuaban a menor velocidad y seguían

un patrón organizado en la pantalla lograban un mejor rendimiento en la prueba

que sus compañeros. Los autores argumentan que los estudiantes podrían estar

actuando del mismo modo al tratar de resolver sus tareas escolares, lo cual podría

estar influyendo en su rendimiento académico. Bajo nuestro punto de vista, estas

características de su ejecución podrían constituir signos de autorregulación. Estas

conductas consistirían en el ajuste de la velocidad de actuación y del nivel de

organización para lograr un alto nivel de aprendizaje. En cualquier caso, un análisis

más preciso de la evolución de dichas características de la ejecución a lo largo de la

tarea sería imprescindible para poder extraer conclusiones. No obstante, dicho

estudio constituye un ejemplo claro de la aproximación que aquí intentamos

transmitir. Las conductas del individuo se evalúan mediante pruebas objetivas en

las cuales se observa el comportamiento real del evaluado. Dicho comportamiento

se considera dependiente del medio en el que discurre, interaccionando con los

estímulos que anteceden y suceden a la conducta. No obstante, al mismo tiempo, ese

comportamiento autorregulatorio es posible gracias a que el individuo ha

experimentado ciertos aprendizajes previos que posibilitan, en forma de

competencias, y probabilizan, en forma de estilos interactivos, que emita dichas

conductas. De esta forma, cabría esperar que en contextos análogos el individuo se


94

comporte de forma similar, por ejemplo, a la hora de resolver otras pruebas

académicas semejantes en su día a día.

Este ha sido también el enfoque que ha guiado el presente trabajo y sobre el

cual se fundamentan los estudios que aquí se van a presentar. En el próximo

apartado se presentarán las cuestiones que esta tesis aspira a resolver y justificarán

las investigaciones llevadas a cabo, derivadas de las bases que se han tratado de

establecer en esta introducción.

97

SEGUNDA PARTE:

JUSTIFICACIÓN DE ESTUDIOS

Capítulo 4: Justificación, objetivos e hipótesis de estudio.

99

CAPÍTULO 4:

Justificación, objetivos e hipótesis de estudio y

metodología empleada.

El planteamiento en el que se fundamenta el presente trabajo asume, como

señala el modelo de Santacreu, Hernández, Adarraga y Márquez (2002) y, como se

ha expuesto durante los capítulos anteriores, que el aprendizaje constituye un

cambio estable en la conducta del individuo como consecuencia de su interacción

con el ambiente. Estos cambios de conducta se dan en forma de variables

disposicionales o, lo que es lo mismo, motivos, competencias y estilos interactivos.

Esto es, en función de los aprendizajes experimentados por cada individuo, éste

desarrollará determinados anhelos por ciertos estímulos, que se expresarán en

forma de conductas de acercamiento; desarrollará determinadas competencias, que

se expresarán en forma de emisión de determinadas conductas que previamente no

se daban y que posibilitarán la adquisición de otras nuevas; y desarrollará

determinadas tendencias de actuación, que consistirán en una mayor probabilidad

de actuar de forma determinada en contextos similares. Todo ello implica la

posibilidad de predecir el comportamiento, ya que, si es posible conocer la tendencia

de comportamiento de un individuo en un determinado contexto, se asume que

dicho comportamiento será similar en un contexto funcionalmente equivalente al

que se deba enfrentar en el futuro. Para poder conocer dichas tendencias de

comportamiento, es decir, conocer los motivos, competencias y estilos interactivos

de los individuos, es necesario emplear la metodología de evaluación adecuada. Bajo

la perspectiva conductual, la evaluación objetiva basada en la observación de

conductas constituye el método de referencia, dado que evalúa directamente el

comportamiento del individuo y esto posibilita la predicción del comportamiento

futuro. Asimismo, consideramos que constituye el procedimiento que ofrece

mayores garantías psicométricas.


100

De esta forma, en la presente investigación, nos planteamos que, en primer

lugar, es posible detectar, mediante el uso de pruebas objetivas, qué tendencias de

comportamiento se asocian a un mayor rendimiento y aprendizaje durante la

resolución de una prueba objetiva. Además, consideramos que, mediante el mismo

método, es posible evaluar las tendencias de comportamiento específicas de un

individuo concreto. De esta forma, sería posible predecir el comportamiento que

dicho individuo presentará al tratar de resolver las tareas de su vida académica,

dado que consideramos que actuará siguiendo la misma tendencia de

comportamiento. Conociendo además las tendencias de comportamiento que se

asocian a un mayor aprendizaje, podremos, incluso, predecir los resultados

académicos que obtendrá dicho estudiante. Esto es, si observamos que un

determinado factor de comportamiento está asociado a un mayor aprendizaje, y

evaluamos la actuación de determinados individuos, podremos predecir cómo será

su comportamiento y por tanto sus resultados durante en su actividad académica.

Es más, esto permitirá detectar, para así posteriormente subsanar, las tendencias de

comportamiento menos idóneas que puedan asociarse con problemas de

aprendizaje.

Teniendo en cuenta la considerable presencia de dificultades de aprendizaje

y de fracaso escolar tanto en nuestro país como en Europa, así como las

repercusiones que esto puede ocasionar en las vidas de los estudiantes, resulta de

vital importancia estudiar estas cuestiones. Asimismo, dada la generalizada

tradición en el uso de los autoinformes y la existencia de sesgos asociados,

consideramos que es fundamental evaluar las variables que influyen sobre el

aprendizaje desde un enfoque alternativo, el conductual, mediante una metodología

objetiva. Como hemos mencionado previamente, Santacreu y Quiroga (2016)

utilizaron una prueba objetiva en niños de educación primaria con dicho fin, el Test

de Aprendizaje de Categorías (Category Learning Test, CLT, Quiroga et al., 2011), y

encontraron que una baja velocidad de actuación y un alto grado de organización en

las respuestas predecían el aprendizaje logrado durante la prueba. Esta

investigación constituye una demostración de cómo es posible estudiar, mediante el

empleo de pruebas objetivas, qué factores de la conducta del aprendiz están

relacionados con el aprendizaje. Además, conformó las bases de este trabajo,

suponiendo un claro indicio de algunos factores relevantes que serán estudiados en


101

detalle durante el desarrollo de esta tesis. Algunos de estos factores parecen estar

relacionados con la autorregulación, esto es, la capacidad de monitorizar, evaluar y

adaptar la propia actuación para lograr alcanzar los objetivos de la tarea y las metas

personales. En concreto, cabe destacar la adecuación de la velocidad de actuación y

del nivel de organización optimizándolas en consecución del aprendizaje requerido

por la tarea, lo cual podría ser considerado una forma de autorregulación. Por ello,

la velocidad y la organización constituyen variables de la ejecución del individuo que

formarán parte de las hipótesis de este trabajo y serán por tanto analizadas.

De esta forma, la presente investigación pretende conseguir los siguientes

objetivos y, por tanto, testar las siguientes hipótesis:

• Objetivo 1: Comprobar la relación entre las variables de ejecución de

velocidad y organización y el rendimiento en una prueba objetiva de aprendizaje en

diferentes poblaciones.

- Hipótesis 1: Se espera, en vista de los resultados de Santacreu y

Quiroga (2016), que una baja velocidad de actuación y un alto nivel de

organización en las respuestas se relacionen positivamente con el

nivel de aprendizaje logrado en la prueba.

• Objetivo 2: Analizar la relación entre las conductas de autorregulación

y el rendimiento en una prueba objetiva de aprendizaje.

- Hipótesis 2: Se espera que el ajuste de las variables de ejecución

realizado por el propio estudiante durante el transcurso de la tarea,

mejore el rendimiento en la prueba. Es decir, se hipotetiza que el

rendimiento de un estudiante mejorará a lo largo de la prueba si, pese

a comenzar actuando a una velocidad inadecuada o de forma

desorganizada, posteriormente comienza a autorregularse,

monitorizando y detectando este desajuste y, por tanto, adaptando su

conducta para lograr los objetivos de la tarea.

• Objetivo 3: Examinar la influencia de una regulación externa en el

aprendizaje.


102

- Hipótesis 3: Dado que parecen existir estudiantes, incluso en altos

niveles académicos, que no autorregulan su aprendizaje, y supuesta la

relevancia de la velocidad de actuación para el aprendizaje,

esperamos que una regulación externa de la velocidad de actuación

promueva el rendimiento en una prueba objetiva de aprendizaje. Esto

subrayaría la importancia de la velocidad de actuación para el

aprendizaje y la relevancia de la regulación de ésta. Estas

conclusiones podrían interpretarse como signo de la necesidad de

fomentar el entrenamiento en autorregulación.

• Objetivo 4: Verificar la existencia de una relación entre el rendimiento

del estudiante en una prueba objetiva de aprendizaje, así como las conductas

ejecutadas por éste durante su resolución, y el rendimiento en sus estudios.

- Hipótesis 4: Esperamos que aquellos estudiantes que actúan a una

velocidad excesiva y con una organización deficiente durante la

resolución de las pruebas de aprendizaje, obtengan resultados

académicos más bajos que aquellos que actúan a velocidad moderada

y de forma organizada.

Para ello, se llevan a cabo cuatro estudios con muestras de estudiantes de

diferentes niveles educativos y mediante diferentes tipos de pruebas objetivas de

aprendizaje:

1) En el primer estudio se analiza la ejecución de escolares de educación

primaria de entre 6 y 12 años mediante el Category Learning Test (CLT;

Quiroga et al., 2011). Se trata de una prueba objetiva en la cual el participante

ha de aprender a discriminar una categoría de figuras premiada de otras

categorías no premiadas o premiadas con un menor número de puntos.

Mientras trata de resolver la tarea, se analizan las características de su

ejecución, como la velocidad con la que pulsa las figuras y el orden en el que

lo hace. Además, se recoge información acerca de las calificaciones

académicas de los estudiantes. El objetivo de este estudio es cumplir el

primer y último de los objetivos (con sus hipótesis asociadas), es decir,

analizar la relación entre las variables de ejecución durante la resolución de


103

una prueba y el aprendizaje en dicha prueba, y a su vez, la relación de éstas

con el rendimiento académico.

2) El segundo estudio trata de dar respuesta a los mismos interrogantes

que el primero, en este caso, en población adulta. Para ello, se replica dicho

estudio en una muestra de estudiantes universitarios. Además, se trata de

cumplir el segundo de los objetivos, para lo cual se añaden 4 ensayos extra a

la tarea original del CLT y se analizan los cambios en las variables de

ejecución durante el transcurso de la tarea y su repercusión en el

aprendizaje. El objetivo consiste en comprobar si los estudiantes que no

aprenden en los primeros ensayos son capaces de aprender durante los

ensayos extra autorregulando su conducta.

3) El tercer estudio analiza de forma exhaustiva mediante un diseño

cuasi-experimental la relación entre la regulación externa de la velocidad de

respuesta y el aprendizaje en estudiantes universitarios. Para ello, se crean

dos grupos de participantes: grupo control y grupo de intervención. El grupo

control realiza el CLT original. Sin embargo, al grupo de intervención se le

impone una limitación automática de la velocidad de manera que se impide

hacer más de un click por segundo. Se estudia el efecto que esta regulación

externa de la velocidad tiene sobre el aprendizaje, tratando de verificar la

tercera hipótesis.

4) El cuarto estudio pretende otorgar mayor validez a los resultados

replicando los tres primeros estudios utilizando una prueba objetiva de

aprendizaje alternativa: El Bosque del Tesoro. Dicha prueba se diseña ad hoc

para el estudio y se trata de una tarea de aprendizaje simple donde el usuario

ha de aprender de nuevo qué figuras, en este caso representativas de

distintos tipos de árboles, otorgan premio. La prueba recoge información de

las mismas variables de ejecución que el CLT. En primer lugar, se analizan las

propiedades psicométricas de la nueva prueba. Después, se trata de dar

respuesta a todas las cuestiones planteadas previamente siguiendo un

procedimiento similar: asociación entre la velocidad, la organización y el

aprendizaje en la prueba; relación entre conductas de autorregulación de


104

dichas variables y aprendizaje en la prueba; influencia de la regulación

externa de la velocidad en el aprendizaje y relación entre la ejecución en la

prueba y el rendimiento académico.

Como se puede observar, los objetivos de este estudio acotan en gran medida

las innumerables posibles cuestiones acerca de los factores que influyen en el

aprendizaje, poniendo el foco en dos variables de ejecución específicas y la

regulación de éstas. Pese que las cuestiones planteadas puedan parecer

excesivamente específicas, consideramos que pequeños cambios en la conducta

pueden generar importantes cambios en el rendimiento académico y optamos por

analizar con precisión los factores sometidos a estudio, en lugar de tratar de abarcar

un posible excesivo número de interrogantes.

10 7

TERCERA PARTE:

ESTUDIOS EMPÍRICOS

Chapter 5: First Study. Category Learning in Schoolchildren.

109

CHAPTER 5:

First study. Category Learning in Schoolchildren.

Its Relation to Age, Academic Marks and

Resolution Patterns. 1

1. Abstract.

The aim of this research was to study the learning process using an objective

and computerized task. The performance of 466 schoolchildren aged between 6 and

11 in a category learning task, the Category Learning Test (CLT), was examined. The

results showed evidence of category learning throughout the trials for the whole

sample, F(7, 469) = 29.979, p <.001. In addition, categorization performance

improved with age, H(2) = 48.475, p <.001. However, there were old children that

struggled with the task and young children that performed very well. The ability to

learn the categories was related to the children’s behavior when trying to solve the

task: the response speed (r = –.217, p <.01) and the organization index (r = .247, p

<.01). Nevertheless, performance in the task and academic marks were not related.

We discuss the impact of these findings on the promotion and improvement of

learning in schools: an intervention to promote slowness and organization might

help some children to learn. Keywords: category learning, execution patterns, schoolchildren, response speed.

1 El presente estudio empírico ha sido publicado en la revista The Spanish Journal of Psychology y se presenta en el idioma en el que se publicó, respetando también parte del formato de este. Casadevante, C., Romero, M., Fernández-Marcos, T., & Hernández, J. (2019). Category Learning in Schoolchildren. Its Relation to Age, Academic Marks and Resolution Patterns. The Spanish Journal of Psychology, 22, E48. https://doi.org/10.1017/sjp.2019.56 (Received 13 December 2018; Revised 7 November 2019; Accepted 8 November 2019).


110

2. Introduction.

Category learning is a type of basic learning. The act of classifying stimuli and

contexts into categories gives individuals information about all the elements that fit

into a category (Anderson, 1991). This process allows human beings to learn the

characteristics of other elements belonging to the same category by generalization

and transference. Thus, the learning process allows us to identify the category a

stimulus belongs to and to distinguish one category from another, e.g. animals and

humans, maritime and land transport, food and non-food items, etc. (Minda & Ross,

2004). Moreover, when individuals adequately classify they can predict how the

elements within the category will act and how can they interact with each element

(Hammer, Diesendruck, Weinshall, & Hochstein, 2009). For example, it is not

necessary to have an experience with each and every cat to tell if a certain animal is

a cat, or to predict how one cat will act. We just need to know the characteristics of

this subspecies of mammal.

Thus, category learning is essential to establish a proper adaptation to the

context and therefore to achieve school success (Rabi & Minda, 2014).

Schoolchildren should learn to distinguish between invertebrates and vertebrates,

between chemical and physical processes, between plane and solid geometric

shapes, etc. Consequently, it is coherent to expect that when comparing children of

the same age, those who have learning difficulties in a category learning test may

also exhibit difficulties in school learning. It is for this reason that various authors

have studied the process of category learning. To summarize, the most studied

variables have been the age of children (Hammer et al. 2009; Huang-Pollock,

Maddox, & Karalunas, 2011; Minda, Desroches, & Church, 2008; Rabi & Minda, 2014)

and the execution variables while solving the category learning tasks (Santacreu &

Quiroga, 2016).

The Relation Between Age and Category Learning

Recently, several authors have studied the relation between age and

performance in objective category learning tasks (Minda et al., 2008; Hammer et al.,

2009; Huang-Pollock et al., 2011; Rabi & Minda, 2014). They compared the results


111

obtained by adults and children of different ages in objective learning tests. The

tasks used in the different studies were highly variable. With regard to the type of

stimuli, all the tasks use visual stimuli although some tasks present real objects and

others present stimuli created ad hoc. With regard to the type of categorization

processes needed, some tasks required perceptual categorization and others

conceptual categorization. By perceptual categorization, individuals classify stimuli

depending on the perceptual similarity of one stimulus to another. For example,

classifying objects as a function of their color or size. On the other hand, conceptual

categorization is based on what stimuli are, what they do, and their use, etc. In this

process, the perceptual information is turned into conceptual form (Sloutsky, 2010).

By conceptual categorization we create the notion of classes, such as animals, plants,

vehicles, and furniture (Mandler, 2000). With respect to the training procedures,

there is also great variance across the studies. In the following paragraphs we briefly

describe the details of these studies.

Firstly, Minda et al. (2008) investigated the performance of children and

adults in perceptual category learning tasks. They created sets of stimuli that

differed in their size, shape and color. Seventy-seven children aged 3, 5 and 8 years

old and twenty-four adults formed the sample. They found that the 3-year-old

children were not able to discriminate any kind of categories. By contrast, children

aged between 5 and 8 learned the categories when the category classification

criteria concerned only one characteristic of the element, such as color. When the

classification criteria concerned more than one characteristic, e.g. size, color and

shape, only the adults were able to discriminate the categories. The authors

interpret these findings within a multiplesystem approach to category learning.

With regard to age, these results suggested that the category learning process

develops between 5 and 8 years old. We could assume that the process continues

developing from 8 years old into adulthood, although it is not possible to elucidate

the details and stages in this study.

Hammer at al. (2009) suggested that category learning could occur either by

recognizing the common characteristics between the elements of a category or by

identifying the characteristics that differentiate these elements from other

categories. They hypothesized if the way of learning categories could have


112

implications on the learning results, and consequently designed a study that

consisted of two phases: Training and assessment. During the training phase, they

sequentially displayed pairs of elements that could belong to either the same

category or to a different one, based on perceptual characteristics. The first group of

participants watched pairs of elements belonging to the same category and were

informed that the elements belonged to the same category. The other group watched

pairs of elements belonging to different categories and were informed that the

elements belonged to different categories. After the training phase, the assessment

phase tested whether the participants had learned the categories. The participants

had to decide if two random elements belonged to the same category or not. Using

this method, they assessed twenty children aged from 6 to 9 and a half, twenty

children aged from 10 to 14 years, and forty adults. The results showed that within

the group of participants who had seen the pairs of the same category during the

training, the three age groups performed at a similar level. However, within the

group that had seen the pairs of different categories during the training, the

categorization performance of the children aged from 6 to 9 and a half, was lower

than the older ones, while the children aged between 10 and 14 performed as well

as the adults. The authors concluded that the process of showing pairs of the same

category promoted the learning of the category. With regard to the age of the

participants we may conclude that categorization performance improved with age

and this concurs with the findings of Minda et al. (2008). Moreover, in this study the

children aged between 10 and 14 performed as well as the adults in every condition,

which could mean that the ability to learn categories is completely developed at the

age of 10.

With an aim similar to that of Minda et al. (2008), Huang-Pollock et al. (2011)

compared children and adults’ performance in several perceptual category learning

tasks. In this study, the stimuli were different Gabor patches, a series of black and

white bars that differed in their orientation and thickness. As in the previous study,

in one condition, the elements differed in a single characteristic. In the other

condition, the elements differed in more than one characteristic. The sample

consisted of eighteen children from 8 to 12 years old and 43 adults. The results

showed that the adults outperformed the children in both learning tasks. Therefore,

this study also confirmed the parallelism between age and the development of the


113

ability to learn categories. Moreover, it complements the results of the study of

Minda et al. (2008) with regard to the results obtained for the children between 8

and 12 years old. However, from our point of view, it would be better to use a similar

task to make the results more comparable and to assess a larger number of children

in each age group to elucidate further the stages of the process.

Lastly, Rabi and Minda (2014) assessed ninety-nine children between 4 and

11 years old and fifty-six adults using a perceptual category learning task. The task

was similar to the first condition employed by Huang- Pollock et al. (2011). They

analyzed the differences between the following five groups: 4–5 years old, 6–7 years

old, 8–9 years old, 10–11 years old, and adults. They found that children aged

between 4 and 5, and 6 and 7 years old, performed significantly worse than the other

groups. On the other hand, the group of children aged between 10 and 11 showed a

similar performance to the adults. Taking these results into account, we can deduce

that categorization performance improves at sometime between 8 and 10 years old,

and at the age of 10 this ability seems to be fully developed. These findings are in

line with the studies described above, although in this investigation the children

under the age of 8 were not able to learn categories, in contrast to the results of

Minda et al. (2008), where the children between 5 and 8 could learn the categories

when the classification criteria consisted of only one characteristic of the elements.

In general terms, the results of these studies show that category learning

improves with age. Most of these studies suggest that children between 5 and 10

years old are able to solve perceptual category learning tasks, but do not perform as

well as adults. Children at the age of 10 attain a performance similar to the adults in

tasks that concerned only one characteristic of the elements, but the adults solve the

tasks better than these children when the classification criteria depends on more

than one characteristic. Nevertheless, there are some contradictory results

regarding children between 5 and 8 years old. Rabi and Minda (2014) found that

children under the age of 8 struggled with a task that concerned just one

characteristic whereas Minda et al. (2008) found that children between 5 and 8

years old showed evidence of category learning.


114

The Relation Between the Execution Patterns During the Task and

Category Learning

The differences in the performance in a category learning task could be

related not only to age, but also to the way children solve the task. For example, a

child who rushes to solve a task could make errors without being aware of them.

The execution variables in the resolution of a category learning task that have been

studied so far are the response speed, and the organization of the response

sequence, in complex tasks.

Santacreu and Quiroga (2016) assessed four hundred and fifty

schoolchildren aged between 7 and 12 using an objective category learning task: The

Category Learning Test (CLT; Quiroga Estévez, Santacreu Mas, Montoro, Martínez-

Molina & Chun Shih, 2011). The task displayed figures that belonged to different

categories and the participants had to identify and learn which category was

associated with the highest prize in order to click on it and achieve points. Learning

the category of figures associated with the highest scores would lead to a better

performance in the test. The stimuli consisted of schematic figures of real objects

such as animals, vegetables, means of transport, etc. The category associated with

the highest score consisted of mammalian animals.

Unlike the other category learning tasks, Santacreu and Quiroga’s test

(2016), the CLT, is designed and configured to assess the level of learning achieved,

as well as the execution patterns that participants display during the task. The CLT

records each participant’s click in real time and is therefore able to assess the

individual’s execution pattern during the task resolution. In every trial, there are

simultaneously 150 elements, with up to 30 belonging to the target category. By

contrast to the serial stimuli presentation, the CLT stimuli presentation enables the

participant to explore around the screen during the trial length. The simultaneous

presentation of all the stimuli facilitates the assessment of the level of organization

of the participant’s clicks and the time between them. In addition the CLT enables

the participant to execute a variable number of responses during the trial and means

that different patterns of response are possible. Furthermore, this set-up gives more

ecological validity to the task because of its similarity to real life, where many


115

elements appear together with others and the response options are not

dichotomous, but multiple and variable.

Santacreu and Quiroga’s results (2016) showed that some children did not

learn the target category; they clicked on the same number of tokens belonging to

the target category throughout the trials. On the other hand, some children

improved quickly from the first trials and some children showed evidence of

progressive learning during the task. The average proportion of clicks on the target

figures correlates significantly with the execution variables studied: organization (r

= .675) and response speed (interval between responses, r = .533). In summary, the

participants who did not learn the classification of the categories in the CLT

responded faster, and in a less organized way when trying to solve the task, than the

rest of the sample.

The results of Santacreu and Quiroga’s study (2016) could be related to self-

regulated learning models. These models highlighted the self-observation as a

relevant component whereby the students can improve their performance (Schunk

& Zimmerman, 2003). Similarly, van Loon, Destan, Spiess, de Bruin and Roebers

(2017) emphasized that the apprentices have to monitor their learning, to self-

assess, and to pay attention to feedback, in order to solve their errors. In the study

mentioned above, it would appear that some of the participants were unaware that

they were acting too quickly, and were too disorganized to learn, and consequently

were not able to improve their performance.

The Relation Between Academic Marks and Performance in a Category

Learning Task

As previously mentioned, Santacreu and Quiroga (2016) showed that

children whose performance was too fast, and too disorganized failed to learn the

target category. The authors considered that these children might behave in the

same way when undertaking school tasks and therefore their school performance

might be deficient. This hypothesis is plausible taking into account that in category

learning it is crucial to interact adaptively with the context. Therefore, it is essential

to academic success (Rabi & Minda, 2014). If children have problems in learning the


116

categories because they act too quickly and in a disorganized manner, they may also

have trouble learning at school.

Therefore, we consider that it is necessary to analyze the influence of

execution patterns on learning between children of the same age, and its relation to

academic achievement. Furthermore, it would be necessary to study the interaction

between age and execution patterns. It may be possible that only children of a

specific age, for example, young children, have problems in self-regulating their

performance.

Nevertheless, we did not find any publications that have studied the relation

between performance in objective learning tests and academic outcome. For this

reason, we believe that it is important to study the possible relation between

performance in a category learning task, and the participants’ academic results as

well as simultaneously, the effect of age and execution patterns.

Limitations of the Previous Studies

Despite some inconsistencies the cited studies suggest that the ability to

learn categorization structures improves with age. It is clear that category learning

progresses with age, but the stages of the progress still remain unclear. In addition,

the studies did not employ the same tasks and this makes it difficult to unify the

results. On the other hand, the number of children in each sample was small, so it is

impossible to compare children of a specific age.

It is remarkable that all the tasks used in the cited studies, except for the CLT

used by Santacreu and Quiroga (2016), were direct classification tasks, in which the

participant had to determine if an element belonged to one category or another. The

CLT is an indirect learning task because its instructions do not ask the participant to

classify the elements but to click on tokens to achieve points. However, learning the

category of figures associated with the highest scores will lead to a better

performance in the test. Minda and Ross (2004) have argued that in real life

situations people might not interact with an element only by classifying it. In spite

of that, individuals usually classify objects in order to accomplish some purpose. For

example, children have to learn the differences between several mathematical


117

operations such as addition and subtraction in order to correctly apply each

procedure, not just to classify the operations. In an indirect learning task, the

participant is not asked to classify elements or to learn categories, but learning the

categories will improve the performance in the task (Minda & Ross, 2004). This is

why an indirect learning task such as the CLT could attain more ecological validity.

Taking this into consideration as well as the fact that the previous papers have not

studied the development of category learning through an indirect learning task, we

consider that it would be useful to assess children of different ages using an indirect

learning task.

On the other hand, it should be noted that all the mentioned studies that have

analyzed the influence of age, have only used perceptual category learning tasks.

None of these studies have used conceptual category learning tasks. We believe that

it would be an innovative contribution to the literature to study this issue using a

conceptual category learning task. Furthermore, conceptual classification is very

frequent in our daily lives: We classify objects depending on what are they useful

for, we classify animals by their biological characteristics, people by our relationship

with them, etc. The CLT used by Santacreu and Quiroga (2016) is a conceptual task

because the participants have to classify figures according to type such as mammals,

fishes, vegetables, etc. and not by their physical characteristics such as color or size.

Therefore, we consider that the study of the influence of age in category learning

using a conceptual task would be a relevant contribution to the field of education.

Besides, as mentioned above, to the best of our knowledge none of the

research published to date has compared category learning between peers of the

same age, or the interaction between age and execution patterns.

The Aims of This Research

If we are able to understand why some children cannot learn in a category

learning task, we may be able to predict why these children experience difficulties

in their academic life and therefore, we might be able to solve these difficulties. This

study is aimed at testing whether the performance differences observed in a

category learning task depend on the child’s age, or the way they solve the task i.e.


118

the execution patterns employed or both; and furthermore, if there is an interaction

between these two variables. In addition, we aim to check whether the performance

in CLT is related to school achievement.

For this goal to succeed, a category learning test that records the execution

patterns i.e. response speed and organization, is essential. The records of the

sequence of the participant’s responses during the trial will allow us to analyze the

execution patterns. In addition, we consider that an indirect and conceptual learning

task has more ecological validity. For these reasons, and by virtue of all the

advantages that have been mentioned previously, we will use a version of the

Category Learning Test (CLT) in this study.

The hypothesis in the study are the following:

1. Our first hypothesis is that the general sample will improve their

performance during the trials since Santacreu and Quiroga (2016) have

demonstrated that the CLT can measure category learning. In addition, we would

expect the proportion of children that learn during this task would be similar to that

found by these authors i.e. 66 %.

2. Our second hypothesis is that, according to Minda et al. (2008), Hammer et

al. (2009), Huang-Pollock et al. (2011) and Rabi and Minda (2014), older children

will outperform younger children, i.e. they will achieve a higher proportion of hits

than the younger children. We also aim to study whether the children of a specific

age will learn faster than the others, but we cannot hypothesize about this aspect

because to the best of our knowledge, this factor has never been studied.

3. Our third hypothesis is that, according to Santacreu and Quiroga (2016)

three different groups will emerge: One group will fail to learn, the second group

will increase the number of hits during the period of the trials, and the third group

will learn rapidly from the first trials.

4. Our fourth hypothesis is that, based on the results of Santacreu and

Quiroga (2016), children who work slowly and in an organized way will show

evidence of category learning. Thus, we expect to find a negative correlation

between learning index and response speed, and a positive correlation between

learning index and organization.


119

5. Our fifth hypothesis is that the student’s performance in the category

learning task will be positively correlated to their school performance, which is in

accordance with Santacreu and Quiroga’s (2016) conclusions.

3. Method

Participants

The participants comprised four hundred and sixty-six primary school

children aged from 6 to 11, which represent the ages of the children who attend

primary education in Spain. Two hundred and thirty of the participants were girls

and two hundred and thirty-six were boys. The number of boys and girls per age

was equivalent, Chi2 (N = 466) = 4.06; p = .541, and girls and boys did not differ in

age in any of the 6 school years studied, F(4, 466) = .933; p = .444). The age

breakdown of the sample was: Fifty-eight 6 year olds; one hundred and thirteen 7

year olds; one hundred and twelve 8 year olds, one hundred and three 9 year olds,

forty-six 10 year olds and thirty-four 11 year olds. All the children were enrolled in

primary education in a charter school in Madrid at the time of the test.

Measurements

All the participants completed a version of the Category Learning Test (CLT,

Quiroga Estévez et al., 2011). As indicated by Santacreu and Quiroga (2016) the CLT

is a task in which children must learn to discriminate which of the categories of

figures is associated with the highest score.

The task consisted of eight trials that lasted for 14 seconds. This version is

shorter than the one used by Santacreu and Quiroga (2016) that lasted for 21

seconds. Each trial consisted of a 15 by 15 matrix (225 squares) on which 105

different figures are displayed simultaneously. When the participant clicked on a

figure, the screen immediately showed the number of points scored i.e. 9, 3, 1 or 0

points. This matrix contained 30 target tokens featuring four mammalian animals

valued 9 points; and 75 non-target tokens featuring other figures, 21 of which were

worth 3 points, 20 were worth 1 point, and 34 tokens had 0 value.


120

Figure 1 shows a CLT item illustrating the screen displaying the scored earned when

clicking on the token. The timer is present in every item, on the right side of the

screen.

Figure 1. Example of a CLT’s item where four different tokens have been clicked on

Variables

The CLT registers the click type i.e. which figure is clicked on, and the time

the click occurs. From these data the following variables can be obtained: 1. Hits: H,

number of 9-point tokens clicked on; 2. Errors by commission: (CE), the number of

clicks on 3-point, 1-point or 0-point tokens; 3. Task Organization Index: (TOI), the

sequence and order in which the screen is scanned, the participant will achieve one

point in this variable each time that clicks on a target figure located in the same row

or in the same line that the previous clicked figure, therefore, when following a

pattern of lines or rows to solve the task the organization index will be high, and

when clicking around the screen without following any patter the score will be low;

4. Learning Index (LI), the ratio of hits to the total number of clicks; and 5. Speed:

The number of clicks per second.


121

To complement this information, we asked the school for the academic marks

of each child. In Spain, the country where this study was carried out, children aged

from 6 to 12 years old study in primary education, and are organized into six one-

year ‘grades’. Every grade they study comprises approximately ten annual subjects

e.g. math, science, language, gymnastics, music, art, etc. Each trimester, children

obtain a mark ranging from 0 to 10 for each subject. In this study, the school only

provided us with the global annual average mark obtained by each child in the grade

that they were about to finish, at the moment of the test. Therefore, we were only

able to use the average mark for each child.

Procedure

At the start of the study the participants’ legal guardians were informed

about the study. They signed an informed consent document allowing their children

to participate in the investigation.

The participants completed the task during school time on the last days of

the academic year. They were divided into groups of a maximum 25 children in

order to have one computer per child in the IT room, and to be properly supervised.

Three psychologists checked that everything worked properly. Before starting the

task, the instructions were projected onto a big screen until everyone had

understood the goal of the task. The instructions indicated that the aim of the task

was to identify and click on the figures associated with the best prize to get the

highest score.

Once the data were recorded, each child’s score was calculated for each trial.

Statistical analysis was performed using SPSS Statistics 24.0 package.

4. Results.

With regard to the first hypothesis, we investigated whether the general

sample learned during the task in order to find out if we could measure category

learning using this task. Therefore, we calculated the average Learning Index (LI)

for the whole sample, for each trial, i.e. the proportion of hits achieved. The LI of the

whole sample increased along the trials from an LI = .37 on the first trial to an LI =


122

0.63 on the final trial. A Repeated Measures ANOVA indicated that there were

significant differences between the trials F(7, 469) = 29.979, p < .001, ηp2= .314, and

evidence of learning between the trials can be seen in Figure 2. However, the

standard deviation (SD) in every trial was very high (.32 < SD < .34), this indicates

that there were considerable inter-individual differences. Having established this

fact, we addressed the second part of the hypothesis: To analyze how many children

learned in the task. This exploratory analysis was carried out determining how

many children reached a learning criterion. The learning criterion established by the

authors was a proportion of hits equal to at least double, that which could be

achieved by chance alone. The proportion of targets/total of tokens was .285,

therefore, children who obtained a proportion of correct clicks of .57 or more on the

last trial, were considered to have learned the target category. In our sample, we

found that 275 participants (59 %) had an LI ≥ .57 in the 8th trial, and 191 (41 %)

did not reach the criterion.

We addressed the second hypothesis by analyzing the influence of age on

performance in the category learning task. Table 1 shows the means and standard

deviations of the LI on the last trial for each age group. The Kruskal-Wallis test

showed significant differences among the age groups H(2) = 48.475, p < .001. These

results suggested that the older children learned more than the younger ones. We

carried out a Mann-Whitney test to analyze the differences between each age group

and its contiguous group. The results showed significant differences between two

main age groups: Children aged between 6 and 7 years old differed significantly to

children aged between 8 and 11 years old (6–8: U = 1,872.5; 6–9: U = 1,580; 6–10: U

= 612; 6–11: U = 524.5; 7–8: U = 4510; 7–9: U = 4,008.5; 7–10: U = 1,561; 7–11: U =

1,279; p< .001 in all cases). There were not significant differences within these two

groups (6–7 years old and 8–11 years old). Table 1 illustrates how the older children

outperformed the younger children in CLT.


123

Figure 2. Mean and Standard Deviation of Learning Index by Trial for the Whole Group

0 1 2 3 4 5 6 7 80.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0Le

arni

ng in

dex

Trials

Whole sample (N=466)

Table 1. Mean and Standard Deviation of Learning Index on the Last Trial by Age Groups

Age 6 (n = 58) Age 7

(n = 113) Age 8 (n = 112) Age 9

(n = 103) Age 10 (n = 46) Age 11

(n = 34) M SD M SD M SD M SD M SD M SD Learning Index 0.41 0.33 0.51 0.35 0.69 0.34 0.71 0.30 0.76 0.28 0.72 0.30

These results showed that the categorization performance in the last trial of

young children aged between 6 and 7 years old was significantly lower than that of

the older children aged between 8 and 11. We also wanted to investigate if the

learning pattern along the trials varied for each age. Therefore, we calculated the LI

on each trial for each age. After that, we carried out a Repeated Measures MANOVA

analysis to observe the interaction between age and learning index on each trial. The

Pillai’s Trace, F(35, 2,290) = .646, p = .946, ηp2 = .01, indicated that the learning

pattern along the trials was similar in all the age groups.

However, the standard deviation of the LI in each age group was very high

(.28 > SD > .35) which suggests that the children in one of the age groups exhibited

quite a different performance. As we suggested in the third hypothesis, and in

accordance with these wide inter-individual differences, we carried out three

cluster analyses of profiles (SPSS K-Means procedure) to identify if there were two,


124

three or four groups with different modes of learning. The criteria used to choose

the best solution were those used by Santacreu and Quiroga (2016): (a) ANOVA

results: All variables have to contribute in a statistically significant way to the cluster

configurations; (b) the number of participants should be balanced between them

and (c) the clusters, i.e. the learning profiles in this case, should be theoretically

sound. As expected, the cluster analyses, taking into account the LI on every trial,

classified the participants in three different groups. The resulting learning curves

are shown in Figure 3. The Low Learning Group (LLG) comprised 152 children, 77

girls and 75 boys that appeared not to learn anything along trials. These children

started the task with a learning index (LI) of .32 and finished with an LI of .28. The

High Learning Group (HLG) comprised 185 children, 91 girls and 94 boys that

showed evidence of category learning since the first trial. In the second trial, they

reached an LI of .70 that continued to increase slightly until the last trial when their

ratio of hits was .90. The Medium Learning Group (MLG) comprised 129 children,

62 girls and 67 boys. Their performance improved slowly and progressively with

practice along the trials. They started the task with an LI = .4 and finally ended it

with an LI = .65.

Figure 3. Mean of Learning Index on each Trial by Learning Group

1 2 3 4 5 6 7 80.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

Lear

ning

Inde

x

Trials

High learning group (N=185)Low learning group (N=152) Medium learning group (N=129)

These results showed that there were three different learning profiles and

that categorization performance differed between the age groups. These

performance levels might have been a function of age; the low learning group being


125

formed by the younger children and the high learning group by the older children.

To investigate this further, we carried out an analysis to check if the low, medium

and high learning profiles were present in every age group in the same quantity.

Table 2 shows that the ratio of children that showed evidence of category learning

since the first trials was larger in the groups of older children i.e. 50 %–65 %, than

in the younger groups i.e. 10 %–17 %. By contrast, the percentage of children whose

performance did not improve with practice was larger in the younger groups i.e. 52

%–69 %, than in the older groups i.e. 7 %–26 %. The Chi-squared test revealed that

there were significant differences in age distribution among the groups, χ2(10, N =

466) = 108.44, p < .001). Nevertheless, these results did show that within every age

group there were participants that learned quickly and reached a high LI,

participants that learned progressively i.e. the MLG group, and others that struggled

with the task and were categorized as LLG. Therefore, all the three learning profiles

were present in all ages demonstrating that age is not the only variable that

influenced categorization performance in the task.

Table 2. Learning Groups by Age. Frequency, Percentage and Standardized Residuals

Age

6 7 8 9 10 11

Low learning group (N = 152)

n % Standarized residuals

40 (69 %) 6.3*

59 (52 %) 5.1*

29 (26 %) –1.7

15 (15 %) –4.4*

3 (7 %) –4.0*

6 (17 %) –1.9

Medium learning group (N = 129)


12 (21 %) –1.3

35 (31 %) 0.9

27 (24 %) –1.0

33 (32 %) 1.1

13 (28 %) 0.1

9 (27 %) –0.2

High learning group (N = 185)


6 (10 %) –4.9*

19 (17 %) –5.7*

56 (50 %) 2.6*

55 (53 %) 3.2*

30 (65 %) 3.7*

19 (56 %) 2.0*

Total participants 58 100 %

113 100 %

112 100 %

103 100 %

46 100 %

34 100 %

Note. *Significant standardized residuals (p < .05).

As we had considered in our fourth hypothesis, categorization performance

could depend on variables other than age, such as the participant’s execution

patterns during the task. In order to analyze the different execution patterns of the

three learning groups we calculated the means and standard deviations of:


126

Organization, speed, hits, errors and learning index (see Table 3). As expected, the

ANOVA analysis showed that there were significant differences between the three

groups in learning index. The Tukey-test showed that these significant differences

were present between all the groups. Moreover, four Kruskal-Wallis analyses

showed significant differences between the groups in organization, speed, hits and

errors. Mann-Whitney tests indicated that these differences were between the three

groups except for organization, where there were no significant differences between

the MLG and HLG; and for speed, i.e. number of clicks per second, where there only

were significant differences between the LLG and the HLG groups. The results

indicated that the participants in the LLG clicked on a larger number of tokens than

the other groups and their clicks were faster. Nonetheless, most of tokens clicked on

were associated with a low score, i.e. errors were made. The LLG clicked on the

tokens in a more disorganized way than the other groups. Moreover, the bivariated

correlation between the learning index and speed was significant and negative (r =

–.217, p < .01) and between the learning index and organization was significant and

positive (r = .247, p < .01).

Table 3. Means and SD of CLT Variables. Data from ANOVA, Kruskal-Wallis Test and Mann-Whitney Test Showing Significant Differences between the Groups

Groups

Low Learning Group (N = 152)

Medium Learning Group (N = 129)

High Learning Group (N = 185)

ANOVA

Index M SD M SD M SD F(2, 463) H(2)

p

Learning* 0.28 0.08 0.52 0.08 0.79 0.09 1541,078 <.001

Organization1,2 1.52 2.18 2.53 2.68 3.09 2.87 36,592 <.001

Speed2 0.40 0.23 0.34 0.16 0.30 0.12 13,183 <.05 Hits* 2.19 1.40 3.47 1.70 5.03 2.12 164,109 <.001 Errors* 4.37 2.45 3.00 1.67 1.11 0.72 247,601 <.001

Note. 1 = significant differences among groups of low and medium learning (p < .05). 2 = significant differences among groups of low and high learning (p < .05). *significant differences among the three groups (p < .05).

We also analyzed the evolution of the variables related to the execution

patterns i.e. speed, organization and errors, across the trials. The results of the

ANOVA with Repeated Measures analyses showed significant differences for every


127

learning group between the response speed of the different trials, LLG: F(7, 145) =

29.112, p < .001, ηp2 = .584; MLG: F(7, 122) = 6.309, p < .001, ηp2= .266; HLG: F(7,

178) = 15.461, p < .001, ηp2= .378. The same was observed for the errors along the

trials, LLG: F(7, 145) = 23.665, p < .001, ηp2= .533; MLG: F(7, 122) = 4.298, p < .001,

ηp2= .198; HLG: F(7, 178) = 33.976, p < .001, ηp2= .572. Specifically, the LLG that failed

to learn the target category, started the task with a Speed Index of .26 clicks per

second and an Errors Index of 1.99 errors for trial, and ended with a Speed Index of

.69 and an Errors Index of 4.91, i.e. the LLG increased their speed and errors during

the task (see Figures 4 and 5). The other two groups behaved in a different way (see

in Figures 4 and 5): The HLG’s speed increased only from the fourth trial, when they

had already reached a high LI because they had already learned the classification

criteria, so their errors did not increase. It should be noted that the group that

learned progressively, the MLG, decreased their speed by the second half of the task,

and at that moment, they increased their learning index and decreased their error

rate. With regard to organization, the results of the ANOVA with Repeated Measures

analyses showed significant differences between the trials for every learning group,

LLG: F(7, 145) = 4.899, p < .001, ηp2= .191; MLG: F(7, 122) = 8.282, p < .001, ηp2=

.322; HLG: F(7, 178) = 14.074, p < .001, ηp2= .356. Figure 6 shows that the HLG

increased its organization index the most, from the third trial, and this allowed the

group to increase its response speed without making more errors. The MLG behaved

in the same way but the effect was not as noticeable. The LLG did not vary its

organization very much during the task: Despite an increment in the organization

index during the second half of the task, the score never exceeded .4 points, and was

considerably lower than the other groups.


128

Figure 4. Average Response Speed Index for each Trial and Learning Group

1 2 3 4 5 6 7 80.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

Spee

d In

dex

Trials


Figure 5. Average Error Index for Each Trial and Learning Group

1 2 3 4 5 6 7 80

1

2

3

4

5

6

Erro

r Ind

ex

Trials



129

Figure 6. Average Organization Index for Each Trial and Learning Group

1 2 3 4 5 6 7 80.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0O

rgan

izat

ion

Inde

x

Trials


With regard to our last hypothesis: To analyze the relation between academic

marks and the CLT learning index, we divided the children into five groups based on

their academic grade: 1st grade (equivalent to 6–7 years old), 2nd grade (7–8 years

old), 3rd grade (8–9 years old), 4th grade (9–10 years old) and 6th grade (10–11

years old). We analyzed bivariate correlations between academic marks and CLT

learning index in every academic grade. Contrary to our expectations, the

correlations between academic marks and learning index were very low and not

significant. Therefore, academic marks were not dependent on the ability to learn

categorization structures. Furthermore, the correlations between all the remaining

CLT indexes and academic marks were low and non-significant in every grade. We

also carried out an ANOVA analysis to check if there was any interaction between

the learning groups, their age and the marks. We considered that they might be an

influence of the learning group neutralizing the correlations between LI and marks.

Contrary to our expectations, no significant effects were found.

5. Discussion

In this study we aimed to test whether performance differences in a category

learning task depended on a child’s age, on the way the task was solved i.e. the

execution patterns, or on both variables, and if there was any interaction between


130

these two variables. In addition, we aimed to analyze whether the performance in

the Category Learning Task (CLT) was related to school achievement.

Firstly, we analyzed whether the general sample learned during the task in

order to determine if the CLT measured category learning. Indeed, the sample

showed evidence of category learning across the trials. However, we observed a high

variability in the results attained in the CLT and this could indicate that some

participants learned the target category but others did not. Therefore, we calculated

the number of children who by the last trial had reached a proportion of correct

answers that were at least equal to twice that expected by chance. We found that

275 participants (59 %) had a learning index of 0.57 or more in the 8th trial and that

191 participants (41 %) did not reach the criterion. This result shows that only the

59 % of the sample learned the classification criteria, therefore it was relevant to

study why some of the children had learned but others not.

Based on the results of Minda et al. (2008), Hammer et al. (2009), Huang-

Pollock et al. (2011) and Rabi and Minda (2014), the performance differences could

be related to the participants’ age. According to these results, we expected the older

children to outperform the younger children. Therefore, we analyzed the relation

between the categorization performance and the participants’ age. A comparison

between the different age groups revealed that the learning index was higher for the

older children i.e. 8–10 year olds, than for the younger children i.e. the 6–7 year olds.

Hence, the participants’ age was related to the ability to learn the criteria that

distinguish the categories. In addition, we analyzed whether the learning patterns

across the trials differed with age, but results did not reveal any differences.

Therefore, the average progression of learning index across the trials was the same

for all ages, despite the older children having a higher proportion of correct answers.

These results correlate with those of Minda et al. (2008), Hammer et al. (2009),

Huang-Pollock et al. (2011) and Rabi and Minda (2014), who reported that age is a

relevant variable to explain learning in a category learning task.

However, the standard deviation of the learning index was still very high in

every age group, meaning that some of the children within the age groups had quite

different performances. Therefore, we postulated that there might be other

variables in addition to age to explain learning in this task.


131

When studying the progression of the learning index across the trials we

observed that there were 152 children in the Low Learning Group (LLG) that

struggled with the categorization task, failing to learn the target category until the

last trial. But conversely, 185 children in the High Learning Group (HLG) showed

evidence of category learning from the first trial, reaching a proportion correct of

0.9 answers in the second half of the trial. This illustrates that learning occurred

between the first and fourth trial. The remaining 129 children in the Medium

Learning Group (MLG) showed evidence of category learning across the trials, but

they did not achieve the performance of the second group. Their performance

improved slowly and progressively with practice along the trials. According to the

literature, we would have expected that the group that did not learn would

correspond with the younger children, and the group that learned quickly would

correspond with the children in the older group. The results did show that there

were a large number of older children in the HLG, and that there were a large

number of younger children in the LLG. However, there were children of all ages in

all of the learning groups. Again, we considered that age was not the only factor that

could explain the performance differences in the CLT. Therefore, we investigated

other variables that could influence learning.

We anticipated that, as Santacreu and Quiroga (2016) revealed, the execution

variables could influence performance in the task. We predicted that those children

who worked slowly and in an organized way, would attain a higher learning index.

Therefore, we hypothesized a negative correlation between response speed, which

we defined as the number of clicks per second, and learning, and a positive

correlation between organization and learning. As expected, the group who failed to

learn the target category (LLG) responded faster than the other groups.

Furthermore, this group increased its speed across the trials, clicking on more

tokens in each trial and increasing the number of errors. By contrast, the group of

children that learned progressively across the trials (MLG) decreased their speed

from the fourth trial, decreasing their errors and improving their learning index

from that moment onwards. The children in the MLG, unlike those in the LLG,

seemed to be able to regulate their performance in order to optimize their learning.

Lastly, the children in the HLG increased their speed from the fourth trial when they

had already learned which tokens were associated with the best prize, and this was


132

demonstrated in the learning index. Consequently, HLG achieved more hits without

increasing the number of errors. However, the HLG speed was always slower than

the LLG.

With respect to organization, the LLG showed a lower level of organization

than the groups that learned the novel categories. This group did not follow any

order in the rows and columns when clicking on the tokens and that appears to have

interfered with their learning. The HLG showed the most increase in organization

index during the trials. Maybe for that reason the group increased its response speed

without increasing the number of errors. The children in the MLG acted in a similar

way to the HLG but they did not achieve the same level of organization.

Consequently, and as we expected, the correlation between learning index

and execution indices was significant and was negative for the speed index and

positive for the organization index. However, the correlations that were found in

this study were lower than in those of Santacreu and Quiroga (2016). These results

may be explained by alluding to the abbreviated version of the CLT that was used,

in which each trial lasted 14 seconds instead of 21. We believe that the participants

may not have had sufficient time to reveal large individual differences in the

execution patterns and therefore the correlations of these variables decreased.

Notwithstanding, our results are in the same line as those of Santacreu and Quiroga

(2016).

The results about the execution variables showed that the LLG was not able

to regulate adequately its speed and the sequence of its responses to optimize their

learning. They responded quickly and made mistakes, i.e. they did not increase their

latency to improve their performance.

By contrast, the MLG is a clear example of selfregulated learning. As Schunk

and Zimmerman (2003) or van Loon, Destan, et al. (2017) reported, self-observation

is a relevant component whereby the student can improve their performance.

Children in the MLG seem to have realized that they were going too fast and so

decreased their speed response and, therefore, they could decrease their errors and

improve their learning. On the other hand, children in the LLG were not able to do

so. van Loon, de Bruin, Leppink, and Roebers (2017) and Finn and Metcalfe (2014)


133

pointed out that this self-monitoring skill improves when children mature because

they are more capable of accurately estimating their hits and errors. Nevertheless,

on the basis of the results of the present study it would appear that at the age of 11

there were still a large percentage of children who were unable to self-monitor their

own learning.

In addition, we expected to find a positive relation between performance in

the CLT and the participants’ academic results. However, the results did not reveal

any significant relation between learning and academic marks in any of the

academic grades. A possible explanation for this unexpected result could be the low

level of variability which was observed between children’s academic marks: i.e. the

mean was 7.5 points, out of a maximum of 10, and standard deviation was less than

one i.e. SD = .89. The low variability in the data may have impeded a high and

significant correlation between variables. This lack of variability could be the result

of two factors. The first, that basic education is planned on the basis that every

student is able to attain the goals of the course, or the second, that perhaps teachers

reward effort instead of results. It is possible that academic marks would vary more

in higher education and we would observe their relation to category learning in that

academic stage. However, this would require further research to be carried out. In

addition, we have used the average of the marks in all subjects including gymnastics,

music and art. It is possible that category learning is not as related to these kinds of

subjects as it may be to others, and this fact could also explain the low correlations

obtained. Therefore, in future studies, it would be interesting to investigate the

relation between performance in category learning tasks and academic marks in

specific subjects such as math, in which learning difficulties frequently arise (Blair

& Razza, 2007).

It is relevant to highlight that the similarities between the CLT and the tasks

used by Minda et al. (2008), Hammer et al. (2009), Huang-Pollock et al. (2011) and

Rabi and Minda (2014) which have enabled us to study the influence of age in

category learning. These similarities include the use of visual stimuli, the need to

learn the target categories to pass the task, and the presence of numerous trials.

However, there are significant differences between these tasks. In contrast with the

traditional category learning tasks, the CLT presents several stimuli in every trial.


134

The criteria for the classification of the figures is not perceptual, but conceptual.

Furthermore, the instructions make the task indirect, they do not ask the participant

directly to learn the target category. All of these characteristics revealed in this

paper the influence on learning of the execution pattern. This is a determinant

difference because it provides us with the clue to promote learning in children who

struggled with the task.

Firstly, in the present study we have studied learning only in children aged

from 6 to 11 years old. In addition, we were not able to assess children of 5th grade

of primary education and the number of children of each age is unequal. It would be

interesting to have information about the execution patterns of older children and

adults in order to determine when in the development category learning is fully

matured.

Besides, it is possible that some children, specially the younger ones, might

classify the figures according to a perceptual criterion (4-legged animals) instead of

on basis of a conceptual criterion (mammals). In future studies it would be

necessary to change the target category in order to make it only possible to learn

through conceptual criteria.

Regarding the relation between speed, organization and learning, in future

studies it would be useful to investigate whether an intervention to promote

selfmonitoring and consequently slowness and organization, for example, the self-

instruction procedure used by Meichenbaum and Goodman (1971), could improve

performance in a category learning task.

In addition, as described above, it would be helpful to study the relation

between learning in CLT and performance in specific subjects such as math or

science.

Finally, it would be desirable to use a non-abbreviated version of the CLT in

order to study more precisely the relation between learning and execution patterns.

On the one hand, and as expected from previous studies, our results concur that

category learning improves with age, from 6 to 11 years old. However, we observed

that differences in category learning were not only due to age but also to the way

children solved the task. Those who were capable of acting slowly and in an


135

organized way attained a higher level of learning than the others did. This was

demonstrated by the children in the MLG who showed that decreasing their speed

and increasing their organization, resulted in a decrease in their errors and an

improvement in their learning. Therefore, self-regulation seems to play an

important role when facing this category learning task. This finding is highly

relevant taking into account that all the studies so far using objective tasks have only

analyzed the role of age in category learning, a variable that we cannot change.

Conversely, self-regulation is a factor that we could try to promote in order to

improve category learning.

In this study, we have investigated which factors might optimize category

learning and which ones might hinder it, and this is especially important because

these variables could influence school learning. Although we did not find any

relation between academic results and performance in the task, it could be due to

the use of the average mark over all the subjects including gymnastic, arts, etc., or to

the scarcity of variability in the marks in the school stage studied. Therefore, in

future studies we would expect to find a relation between performance in a category

learning test and academic marks in children in higher education, and in specific

subjects such as math or science.

6. References

Anderson, J. R. (1991). The adaptive nature of human categorization. Psychological

Review, 98(3), 409–429. http://doi.org/10.1037/0033-295X.98.3.409

Blair, C., & Razza, R. P. (2007). Relating effortful control, executive function, and false

belief understanding to emerging math and literacy ability in kindergarten.

Child Development, 78(2), 647–63. http://doi.org/10.1111/j.1467-

8624.2007.01019.x

Finn, B., & Metcalfe, J. (2014). Overconfidence in children’s multi-trial judgments of

learning. Learning and Instruction, 32, 1–9.

http://doi.org/10.1016/j.learninstruc.2014.01.001

http://doi.org/10.1037/0033-295X.98.3.409

http://doi.org/10.1111/j.1467-8624.2007.01019.x

http://doi.org/10.1111/j.1467-8624.2007.01019.x



136

Hammer, R., Diesendruck, G., Weinshall, D., & Hochstein, S. (2009). The development

of category learning strategies: What makes the difference? Cognition,

112(1), 105–119. http://doi.org/10.1016/j.cognition.2009.03.012

Huang-Pollock, C. L., Maddox, W. T., & Karalunas, S. L. (2011). Development of

implicit and explicit category learning. Journal of Experimental Child

Psychology, 109, 321–335. http://doi.org/10.1016/j.jecp.2011.02.002

Mandler, J. M. (2000). Perceptual and Conceptual Processes in Infancy. Journal of

Cognition and Development, 1(1), 3–36.

http://doi.org/10.1207/S15327647JCD0101N_2

Minda, J. P., & Ross, B. H. (2004). Learning categories by making predictions: An

investigation of indirect category learning. Memory & Cognition, 32(8), 1355–

1368. http://doi.org/10.3758/BF03206326

Meichenbaum, D. H., & Goodman, J. (1971). Training impulsive children to talk to

themselves: A means of developing self-control. Journal of Abnormal

Psychology, 77(2), 115. http://doi.org/10.1037/h0030773

Minda, J. P., Desroches, A. S., & Church, B. A. (2008). Learning rule-described and

non-rule-described categories: A comparison of children and adults. Journal

of Experimental Psychology: Learning, Memory and Cognition, 34(6), 1518–

1533. http://doi.org/10.1037/a0013355

Quiroga Estévez, M. A., Santacreu Mas, J., Montoro, A., Martínez-Molina, A., & Chun

Shih, P. C. (2011). Evaluación informatizada de la atención para niños de 7 a

11 Años: El DiViSA-UAM y el TACI-UAM [Computerized assessment of

attention for children from 7 to 11 years old: DiViSA-UAM and TACI-UAM].

Clínica y Salud, 22(1), 3–20. http://doi.org/10.5093/cl2011v22n1a1

Rabi, R., & Minda, J. P. (2014). Rule-based category learning in children: The role of

age and executive functioning. PLoS ONE, 9(1), e85316.

http://doi.org/10.1371/journal.pone.0085316

Santacreu, J., & Quiroga, M. A. (2016). Some children do not learn even while paying

attention: Their focus is on winning. Learning and Individual Differences, 50,

175–181. http://doi.org/10.1016/j.lindif.2016.07.020

http://doi.org/10.1016/j.cognition.2009.03.012

http://doi.org/10.1016/j.jecp.2011.02.002

http://doi.org/10.1207/S15327647JCD0101N_2

http://doi.org/10.3758/BF03206326

http://doi.org/10.1037/h0030773

http://doi.org/10.1037/a0013355

http://doi.org/10.5093/cl2011v22n1a1

http://doi.org/10.1371/journal.pone.0085316

http://doi.org/10.1016/j.lindif.2016.07.020


137

Schunk, D. H., & Zimmerman, B. J. (2003). Self-regulation and learning. In I. B. Weiner

(Ed.), Handbook of Psychology. Vol. 6. Educational Psychology (pp. 59–78). NJ:

Wiley.

Sloutsky, V. M. (2010). From perceptual categories to concepts: What develops?.

Cognitive Science, 34(7), 1244–1286. http://doi.org/10.1111/j.1551-

6709.2010.01129.x

van Loon, M., Destan, N., Spiess, M. A., de Bruin, A., & Roebers, C. M. (2017).

Developmental progression in performance evaluations: Effects of children's

cue-utilization and self-protection. Learning and Instruction, 51, 47–60.


van Loon, M., de Bruin, A., Leppink, J., & Roebers, C. (2017). Why are children

overconfident? Developmental differences in the implementation of

accessibility cues when judging concept learning. Journal of Experimental

Child Psychology, 158, 77–94. http://doi.org/10.1016/j.jecp.2017.01.008

http://doi.org/10.1111/j.1551-6709.2010.01129.x

http://doi.org/10.1111/j.1551-6709.2010.01129.x


http://doi.org/10.1016/j.jecp.2017.01.008

Chapter 6: Second study. Why do not some university students learn in a category learning task?

139

CHAPTER 6:

Second study. Why do not some university students learn in a category learning task? The

role of response speed and organization.

1. Abstract.

The purpose of this study is to investigate the execution patterns that

promote learning in a category learning task and to analyse the relation between

performance in this task and academic grades. 86 university students were assessed

using the Category Learning Test, an innovative objective test. The results showed

that 61 participants succeeded to learn the target category and 25 did not learn. The

level of organization and the response speed displayed during the resolution of the

task were significantly related to the level of learning achieved. Besides, when four

more trials were added, 11 participants from the low learning group succeeded in

increasing their learning index by decreasing their response speed and increasing

their organization. The correlations between performance in the CLT and academic

grades were not significant. The study showed the relevance of regulating response

speed and organization for category learning. Its connection to academic

performance is discussed.

Keywords: category learning, objective test, response speed, self-control,

organization


140

2. Introduction

This study aims to explore the relation between learning and the way to solve

a learning task. Students who show certain execution patterns when solving a

category learning task might experience difficulties to learn and therefore might

perform poorly on the task. We consider that these students may be behaving

similarly in their academic life, which may be influencing their academic

performance. Therefore, this research aims at finding the execution patterns that

promote category learning. Specifically, we analyse execution variables such as

response speed and organization and its regulation during the task. Our hypothesis

is that students who act too quickly and disorganized may have trouble learning, not

only in a category learning task but also in everyday academic tasks.

Category Learning and Learning Difficulties

Nowadays, a great number of students struggle with academic tasks at school

and university. In order to solve these difficulties, it is essential to analyse the

learning processes. Category learning is one type of learning that students have to

develop in order to perform adequately at academic spheres, specifically, a type of

discrimination-based learning. Categorization is the process of assigning objects

and events to separate classes or categories (Ashby & Maddox, 2005). Classifying

stimuli into categories give individuals information about all the elements that fit

into a category (Anderson, 1991). This process allows human beings to learn

functional relations with the context of other elements belonging to the same

category. Hence, category learning makes it possible to identify the category to

which a stimulus belongs and to distinguish one category from another, e.g. plants

and animals, sweet and salty food, physical and chemical processes, etc. In order to


141

learn categories, the learner must distinguish the features that share the elements

that belong to the same category and, besides, to detect the features that

differentiate one category from another. The categories could be established

according to different classification criteria. For example, the category of mammals

includes animals such as dogs, lions, dolphins or bats. However, the category

“aquatic animals” includes only one element of the set mentioned above. Likewise,

they could be classified into wild and domestic animals. Therefore, the learner

should understand which criterion should be applied and learn the features of each

category in order to classify the elements.

When individuals adequately classify, they can predict how the elements

within the category will act and how can they interact with each element (Hammer

et al., 2009; Minda & Ross, 2004). For example, it is not necessary to have had

experience with each and every horse to know if a certain animal is a horse or to

foresee how a specific horse will behave. We just need to know the qualities of this

subspecies of mammal.

Thus, learning about categories and making predictions based on categories

are imperative for intelligent behaviour in our daily lives (Ashby & Maddox, 2005).

Since category learning is essential to establish a proper adaptation to the context,

it is also essential to achieve academic success (Rabi & Minda, 2014). It is one type

of learning that students have to develop in order to perform adequately at academic

spheres. Some of the principal subjects during elementary grades include contents

about categories such as invertebrates and vertebrates, between chemical and

physical processes, between plane and solid geometric shapes, etc. (Casadevante et

al., 2019). Besides, at university, category learning is crucial for organizing

knowledge and making predictions about events (Best et al., 2013,). In a Psychology


142

degree, it is necessary for example to distinguish the different diagnostic categories

of psychological disorders or the different methodological categories of

psychological assessment. Therefore, students who have trouble when solving a

category learning test may also experience difficulties in their academic life.

Studies Assessing Category Learning Through Objective Tests

Objective tests present prepared situations to which the participant has to

respond by executing some behaviour. This type of test evaluates what the

participants do and how they do it rather than what the participants say as self-

reports or interviews do, avoiding various sources of bias (Ortner & Proyer, 2015;

Proyer y Häusler, 2007; Santacreu et al., 2006). We have not found a meta-analysis

or review that combines the findings of several recent studies employing objective

tests to measure category learning.

Nonetheless, several research teams (Best et al., 2013; Blair et al., 2009; Bott

et al., 2007; Rivera & Sloutsky, 2015) measured adults’ ability to categorize through

objective tests with different aims such as studying processes of attention, blocking

and others. In these studies, the researchers established a learning criterion and the

participants who failed to reach the criterion i.e. did not reach a minimum level of

learning, were replaced or rejected, being excluded their data from the analysis.

These studies will be briefly described, with an emphasis on the adults that failed to

learn the categories, who will be the focus of the present study.

Bott et al. (2007) aimed at studying the blocking phenomenon: when a

specific characteristic of the stimulus is enough to predict category membership,

people will pay special attention to it and will not process the other characteristics,

so the learning of these unnecessary characteristics will be blocked. In order to


143

study the blocking process, it was necessary that the participants had previously

identified some categories. In their research, the participants should learn two

categories of stimuli, differenced by just one relevant characteristic. The stimuli

were common objects (cars) and category learning involved conceptual learning

based on the car qualities. During the learning phase, participants saw different

elements and should decide if they belonged to category A or B, and then they

received, after each trial, correct feedback, in order to learn the categories. In this

study, five adults of eighty-eight did not reach the learning criterion of eight

consecutive correct trials so their results were not taken into account.

Blair et al. (2009) used a similar learning procedure, although categories

varied in three characteristics and the stimuli were created ad hoc. When the

participant reached the learning criterion of 24 consecutive correct trials, the test

phase without feedback started. Sixteen of thirty-eight adults did not reach the

criterion even after 200 trials.

In Best et al.’s (2013) study, participants saw different examples of category

A. Then, the assistant showed the participants an element of category A besides an

element of category B and they should select the one belonging to the first category.

Stimuli were created ad hoc and varied in two relevant characteristics. Seven adults

of a sample of thirty-nine did not reach the learning criterion of 75 % correct

responses, so they were excluded from the data analysis.

Lastly, Rivera and Sloutsky (2015) designed an experiment to assess the

development of selective attention in a category learning task. Participants should

classify two categories of stimulus based on the feedback provided. The categories

differed in three relevant stimuli features, and stimuli were created ad hoc.


144

Approximately 90 % of adults and 62 % of children learned the target category,

which means that ten adults and nineteen children did not learn to classify.

As can be seen, despite using all objective tests, the differences between the

studies are large. Hence, several factors may be causing the different percentages of

participants who did not learn. Firstly, the learning criterion itself differs greatly

among the studies: a minimum of 75% of correct answers, 24 correct answers in a

row or 10 correct trials out of 11 (i.e., more than 90% correct).

Moreover, the tasks used in the different studies were highly variable.

Concerning the stimuli employed, the trend was to use visual stimuli. However,

several studies displayed real objects while others created artificial stimuli ad hoc.

In respect to the categorization processes that the participant should develop, some

tasks were based on perceptual categorization whereas others on conceptual

categorization. Themed categories are more easily learned (Murphy & Allopenna,

1994; Spalding & Murphy, 1996), such as those of Bott et al. (2007). Likewise, when

the defining characteristics of each category can be expressed as a verbal rule they

are more easily learned than those that are not (Rabi & Minda, 2014), such as those

in Blair's study (2009). The number of categories included and the number of

exemplars within each category varied between the studies. Besides, the number of

relevant and irrelevant characteristics of the stimuli, that may influence the facility

to learn the categories, varied among the studies from one to two or even three

stimuli features.

Additionally, the type of training affects category learning. The researchers

carried out quite different training procedures, varying from single-category

exposure to corrective feedback. Some studies (Rivera & Sloutsky, 2015) showed all

the examples of one category and then the examples of the other one, indicating


145

which category it was. Afterwards, they moved on to the test phase without

feedback. Others carried out a feedback-based training, where they asked which

category the item belongs to (Blair et al., 2009; Bott et al., 2007) or which of the

items belongs to a certain category (Best et al., 2013) and offered corrective

feedback afterwards. Likewise, the number of training tests varies in each study - 14

in Bott et al. (2007), 50 in Rivera and Slotsky (2015), 200 in Blair et al. (2009) and 4

in Best et al. (2007).

All these variances constitute factors that might influence category learning.

Nevertheless, all these studies share a common characteristic: participants who did

not reach the learning criterion were excluded from data analysis. However, it is

puzzling that so many typically developed adults did not learn in these tasks,

regardless of the training procedure or the categories features. Therefore, in this

work, we aimed to address this learning difficulty and the focus will be on these

persons. However, our goal was not to study the factors of the task as the ones

previously mentioned but the variables of the participants’ execution. Best et al.

(2007) used eye-tracking and concluded that focusing only on the fact that

characteristics that are relevant to one category can make it difficult to learn about

other categories. Bott et al. (2007) drew the same conclusions and also pointed out

that it is not necessary to make mistakes in order to learn. Blair et al. (2009), again

through eye-tracking, pointed out that neither mistakes nor corrective feedback is

necessary to learn. Rivera and Slotsky (2015) pointed out that selective attention is

necessary for category learning. However, beyond attentional components, optimal

patterns of behaviour were not addressed in these studies.

How can be explained the presence of adults who do not learn simple

categories in all the studies? Santacreu and Quiroga (2016) and Casadevante et al.


146

(2019) pointed out that execution patterns, that is, the way in which people solve

the task, could be relevant to explain performance in a category learning task.

Therefore, this study will focus on behavioural characteristics rather than on task

characteristics.

The Relevance of Execution Patterns for Learning

Santacreu and Quiroga (2016) assessed children aged between 7 and 12

using an objective category learning task, the Category Learning Test (CLT, Quiroga

Estévez et al., 2011). As indicated by Santacreu and Quiroga (2016), the CLT is a task

in which participants must learn to discriminate which of the categories of figures

(i.e. animals, vegetables, transports…) is associated with the highest reinforcement

score. They found that approximately one third of the sample improved their

learning index quickly from the first trials, other third showed evidence of

progressive learning during the task and, with regard to the last third of the sample,

children’s performance did not improve during the 8 trials of the task. They found

that the proportion of correct clicks, i.e. Learning Index, correlated significantly with

the studied execution variables: organization (r = .675) and speed (interval between

responses, r = .533).

Afterwards, Casadevante et al. (2019) assessed children aged from 6 to 11

using the same category learning task in order to study the relation between

category learning, age and execution patterns. In every age group, there were

participants who did not learn to classify the stimuli, participants who learned

progressively and participants who learned from the first trials. The participants

who did not learn, responded faster and in a less organized way when trying to solve

the task than the rest of the sample. Besides, the group of participants that learned


147

progressively, significantly decreased its speed by the second half of the task,

moment when its learning index increased.

Although both studies employed a sample of children, their results are

remarkably interesting as by an objective task the authors found some execution

patterns related to category learning.

In Santacreu and Quiroga’s (2016) and Casadevante et al.’s (2019) studies, it

seems that some of the participants were not aware that they were acting too fast

and too disorganized to learn. Consequently, they were unable to improve their

performance. Instead, those who were able to act slowly and in an organized manner

achieved a higher level of learning. Furthermore, some children showed that despite

starting the task acting too fast, when decreasing their speed, they were able to

decrease their errors and to improve their learning. In conclusion, children who

adjusted their behaviour managed to learn in the task.

The Goals of the Present Study

This study aimed at analysing individual differences in the execution patterns

and its relation to learning in adults. The centre of attention was on adults who do

not learn. Specifically, we aimed at testing whether performance in a category

learning task, the CLT, depends on the response speed and the level of organization

with which participants solve the task. Moreover, since category learning is crucial

in academic life (Ashby & Maddox, 2005; Best et al., 2013; Rivera & Sloutsky, 2015),

we considered that performance in this task could be related to academic grades.

Performing a task in an orderly and conscientious manner is a reasonable strategy

for learning in a complex task. Therefore, participants who act too fast or

disorganized when facing the CLT, a miniaturized situation, may behave in the same

way and experiment difficulties when solving academic tasks.


148

Our first hypothesis was that in the CLT, there would be some adults who do

not learn to classify figures of different characteristics, i.e. they would not click

enough on target tokens.

Secondly, we expected that, when trying to solve the task, these adults that

did not learn would respond more quickly and disorganized than the participants

that achieved the learning criterion.

Our third hypothesis was that adding four more trials to the original

category-learning task promote self-control of execution variables and therefore,

learning. We considered that an increase of 50% of the task would give the

participants more opportunities to adjust their behaviour. Besides, the final

duration of the task would not be so long to decrease the participants’ motivation.

Lastly, we expected performance in the CLT to be related to academic

achievement, since participants may be behaving in the same way when trying to

solve their academic tasks.

3. Method.

Participants

The participants comprised eighty-six university students aged between 18

and 27. On average, the participants were 19.81 years old (SD =1.47). Seventy-four

of the participants were women and twelve were men. All the test-takers were

studying a Psychology Degree in a public university in Spain at the time they were

assessed. Thirty-six were in the first year, thirty-two were in the second year, twelve

in the third and six in the last year. All of them participated for course credit but they

could achieve this credit in other ways.


149

Materials

All the participants completed a version of the CLT (Quiroga Estévez et al.,

2011). The original CLT consisted of eight trials but we added 4 more trials in order

to test our hypothesis about self-regulation and learning, so participants completed

this elongated version.

The task consisted of twelve trials and each trial lasted 14 seconds. Each

participant completed the twelve trials. Each trial consisted of a 15 by 15 matrix

(225 squares), on which 105 different figures were displayed simultaneously. This

screen contained 30 target tokens with four-legged animals with a value of 9 points

and 75 non-target tokens that awarded a lower score, 21 of which provided 3 points,

20 conferred 1 point, and 34 tokens did not add up to any score. The screen showed

the number of points associated to each figure, i.e. 9, 3, 1 or 0 points, only when the

test-taker right-click on the token.

Figure 1 shows a CLT test that evidences the distribution of the figures. It can

be seen 4 figures that have been clicked and show the associated score. The timer is

on the right side of the screen during the whole test.

The task instructions were displayed before the start of the test and indicated

to the participants that their goal was to identify and click on the figures associated

to the best prize in order to obtain the highest score.

The CLT records numerous information about each click: the type of figure

that has been clicked on, its location on the screen and the time when the click

occurs. From this data, the following variables can be obtained for each trial:

1. Hits: H, the number of target tokens, i.e. tokens associated to 9 points, clicked on.

2. Errors: E, the number of clicks on non-target tokens, i.e. tokens associated to 3, 1

or 0 points.


150

3. Organization index: OI, it informs about the sequence and order in which the

tokens are clicked on the screen. The participant will gain a point in this variable

every time he or she clicks on a target figure located in the same row or in the same

line as the previous target figure clicked. Therefore, the organization is considered

as following a pattern of lines or rows to solve the task.

4. Learning Index: LI, the proportion of hits over the total number of clicks.

5. Speed: the number of clicks per second.

Figure 1. Example of a CLT’s Item in which Four Tokens Have Been Clicked

Procedure

Student volunteers that wanted to participate in the study chose one of the

different appointments available. At the start of the study, the participants were


151

briefly informed about the study avoiding biasing the results. They signed an

informed consent document to participate in the investigation.

Participants completed the task in groups of a maximum of thirty people in

order to have one computer per participant in the IT room and to be properly

supervised. Two psychologists checked that everything worked properly. Before

starting the task, they read the instructions on their computers.

To complement this information, we asked participants the marks obtained

in the test for access to university and their marks obtained in several university

subjects related to maths and sciences. Specifically, the academic marks studied

were:

a) The grades obtained in the exam for accessing university, which is

compulsory and similar for all students in Spain. We took into account the mean of

all the subjects and, besides, the marks of maths and biology (sciences).

b) The grades obtained during the university. All the participants were

studying a Psychology Degree in the moment of the assessment, so we carried out

the analysis using the marks of neuropsychology and statistics, which were the

subjects more related to maths and sciences.

In order to ensure the data were objective, we required the participants to

present an official certificate of their grades.

Once the data was recorded, each participants’ scores were calculated for

each trial. Statistical analysis was performed using SPSS Statistics 24.0 package. The

software G*Power version 3.1.9.7 was used for power analysis.


152

4. Results

First, we calculated the average LI, i.e. proportion of hits, of the whole sample,

for each trial, to analyse if there were general learning throughout the first eight

trials. The LI of the whole sample increased along the trials from an LI = .51 (SD =

.23) on the first trial to an LI = .76 (SD = .28) on the eighth trial (see Figure 2). A

Repeated Measures ANOVA analysis indicated that there were significant

differences between the trials (The Pillai’s Trace was F (7, 79) = 9.302, p < .001, ηp2

= .452), what means that the whole sample learned throughout the trials. However,

the standard deviation in every trial was high (SD = .23, .27, .27, .29, .28, .27, .29 and

.28, respectively). These data indicated that there were considerable inter-

individual differences.

Figure 2. Mean and Standard Deviation of Learning Index by Trial for the Whole

Group.

In the light of that variability, we analysed how many participants reached in

the eight first trials a proportion of hits equal at least to the double of the possibly

0,00,10,20,30,40,50,60,70,80,91,0

Whole sample(N=86)


153

achieved by chance. The proportion of targets/total of tokens presented was .285,

therefore, the proportion of targets that would be clicked on by chance. Therefore,

we considered that an adequate criterion of learning would be to achieve at least

double the proportion expected by chance. So we considered that participants who

obtained a proportion of correct of .57 or more in the last trial have learned the

target category. In our sample, sixty-one participants (71 %) achieved an LI ≥ .57 in

the eighth trial. Twenty-five (29 %) did not reach the criterion so they did not

identify which elements belonged to the highly awarded category.

The high standard deviation of the LI means that participants had a quite

different performance. Taking into account these wide inter-individual differences,

we carried out three cluster analyses of profiles (SPSS K-Means procedure) to

identify whether there were two, three or four differentiated groups with distinct

modes of learning. The analysis was based on the LI of the eight first trials. The

criteria used to choose the number of conglomerates were: (a) based on the

dendrogram obtained by the hierarchical cluster analysis, each conglomerate

should be homogeneous but, at the same time, the optimal solution should include

the least number of groups and (b) the clusters, i.e. the learning profiles, should be

theoretically sound. In this case, the optimal solution was to divide the sample into

two groups (the one that learned and the one that did not learn). Figure 3 shows the

resulting learning curves along the trials of both groups. Twenty-eight people that

appeared to improve very little along the trials formed the Low Learning Group

(LLG), they started the task with a LI of .36 (SD = .16) and they finished it with an LI

of .43 (SD = .17). Fifty-eight university students that showed evidence of category

learning from the first trial formed the High Learning Group (HLG). In the second

trial, they reached a proportion correct of .67 (SD = .25) that continued increasing


154

gradually until the last trial when their rate of hits was LI = .91 (SD = .14). Therefore,

it is possible to confirm that some adults did not learn the target category.

Figure 3. Mean and standard deviation of the learning index by trials and learning

groups.

Secondly, we aimed at studying the relation between learning and

participant’s execution patterns during the task. We found a negative correlation

between LI and response speed (r = -.805, p <.01) and a positive correlation between

LI and organization (r = .731, p <.01), what suggests that in order to achieve a high

LI it is better to act slowly and in an organized way.

In addition, Table 1 shows how the LLG acted faster and less organized than

the HLG. The differences between the two groups were significant in every variable

as can be observed in the T-test results.

0,00,10,20,30,40,50,60,70,80,91,0

High learning(N=58)Low learning(N=28)


155

Table 1. Means and Standard Deviations of CLT variables. Data from T-test showing

significant differences between the groups.

Groups

Low learning group (N=28)

High learning group (N=58)

T-test

Index Mean Standard Deviation

Mean Standard Deviation

T (84) p η²

Learning 0.38 0.08 0.80 0.11 -19,92 <.001 .79

Organization 0.48 0.38 1.72 0.75 8,018 <.001 .45

Speed 2.05 0.49 1.25 0.31 -10,195 <.001 .51

Secondly, we analysed whether this group of students that did not learn

during the first eighth trials started to learn during the 4 extra trials that we added

to the original task. As expected, the LLG appeared to increase their LI during the

last four trials (see Figure 3). We carried out a Paired Samples T-test to analyse

whether, for the LLG, the mean of LI of the 8 first trials was different to the mean of

LI of the 4 last trials. The results (t (27) = - 2.926, p <.05, δ=1.00) showed that the

differences were significant, meaning that the LLG improved their proportion

correct during the four extra trials. However, as can be seen in Figure 4, the standard

deviation increased in the new trials, meaning that probably some participants

improved their LI and others not.

It was expected that the participants that started to improve their LI in the 4

extra trials would also have reduced their response speed and would have

completed the task more organized than in the first trials. To test this hypothesis,

and knowing that the standard deviation of the LI increased in the new trials, it

seemed necessary to identify which students actually improved their LI since only

they should have changed their execution patterns. Therefore, we found, through a

K-means procedure of the LI of the last 4 trials, that eleven of the twenty-eight

participants that did not learn during the first 8 trials, managed to increase their LI


156

in the last 4 trials (see Figure 4). A Paired Samples T-Test showed that this increase

in the LI was significant (t (10) = -8.556, p <.001, δ= 2.58). The other seventeen

participants of the LLG did not increase their proportion correct in the last 4 trials

of the task (t (16) = .98, p =.342). After that, we wanted to know how the first group

managed to increase their LI in the last 4 trials.

Figure 4. Mean of learning index by trials and learning groups of LLG participants

(N=28).

We found that their response speed decreased from an average of 1.98

responses per second in the 8 first trials to an average of 1.44 responses per second

in the last 4 trials, as can be perceived in Figure 5. The t-test showed significant

differences between the mean of the speed index in the eight first trials and the mean

in the four last trials (t (10) = 3.646, p <.05, δ=1.10). In addition, the level of

organization that they showed while solving the task increased from an average of

0.56 in the 8 first trials to an average of 1.75 in the last 4 trials, as can be appreciated

0,00,10,20,30,40,50,60,70,80,91,0

High learning(N=11)Low learning(N=17)


157

in Figure 5. The t-test showed significant differences between the mean of the

organization index in the eight first trials and the mean in the four last trials (t (10)

= -4,928, p <.05, δ=1.49). The other 17 participants of the LLG did not decrease their

response speed (t (16) = -1.194, p =.063) or increase their organization in the last 4

trials (t (16) = -.176, p =.863).

Figure 5. Standardized scores of learning, response speed and organization indexes by

trial of the 11 people that increased their learning index during the 4 extra trials.

Lastly, we studied the relation between the academic marks and the CLT

indexes. The correlations between the CLT indexes and marks were low and non-

significant for all academic subjects. They are available in the online supplement.

The power of every analysis was calculated and our study was powered

enough. In every significant analysis, the power was higher than .8, being close to 1

in most cases.

-1,5

-1,0

-0,5

0,0

0,5

1,0

1,5

Learning indexResponse speedOrganization index


158

5. Discussion

The purpose of the present research was to determine whether category

learning in the CLT is related to how adults solve a task i.e. to the execution patterns.

We assumed there would be individual differences since we supposed that not all

students will behave the same way and therefore not all students will learn.

Specifically, we expected participants who acted too quickly and in a disorganized

way not to learn the target category, even after extra training. Furthermore, they

may act in a similar way when facing their daily tasks so their academic performance

may be deficient. It is for this reason that we consider that it is relevant to study

learning using an objective and computerized task: we could identify some variables

that are impeding learning. Therefore, we used the instrument (CTL) that has been

previously used to assess category learning in children (Santacreu & Quiroga, 2016).

We first analysed whether the group as a whole learned during the task. The

results indicate that the sample showed evidence of category learning across the

trials, so the CLT appeared to be a good measure of category learning also in adults.

However, high variability in the results attained in the CLT was observed and

because some participants learned the target category while others did not.

Indeed, we found a negative correlation between the LI and the speed index

and a positive correlation between the LI and the organization index, meaning that

test-takers who clicked slowly and in an organized way on the tokens outperformed

that ones who acted more quickly and disorganized. Therefore, in order to learn in

this task, it is better to act slowly and in an organized way. These results show the

relevance of the execution patterns for learning and align with the ones found by

Santacreu and Quiroga (2016) and Casadevante et al. (2019) in children.


159

In our sample, as in Santacreu and Quiroga’s (2016) and Casadevante et al.’s

(2019) ones, there were different learning patterns. Indeed, there were two

different groups: fifty-eight adults who showed evidence of category learning from

the first trials, the HLG. Twenty-eight adults who failed to learn the target category

formed the LLG. The HLG acted slower and more organized than the LLG so they

succeeded to learn the target category.

We could say that the participants who failed to learn the target category

were acting so fast and disorganized that they did not pay attention to the

consequences of their behaviour and therefore, they did not learn the relations

between the elements of the situation i.e. the categories of the figures and the score

associated. By contrast, the rest of the participants managed to optimize their

behaviour and hence they learnt the classification criterion and achieved the best

proportion of correct responses.

Nevertheless, we added four more trials to give more opportunities to the

LLG to self-regulate and learn. Eleven members of the LLG group seized the

opportunity. The data in Figure 5 shows the evolution of the response speed and the

organization index of these people of the LLG. They increased their response speed

until the 6th trial, when they reached an average speed index of 2.1, meaning that

they clicked on more than 2 tokens by second. It is highly difficult to increase more

this response speed, so the students probably could not continue increasing the

number of points achieved. At this moment, some participants decreased their

response speed and started to act in an organized manner. As Figure 5 shows, their

response speed started to decrease, and their organization index started to increase

in the 7th trial. Consequently, their LI started to increase in the 8th trial, as can be


160

seen in the figure. In conclusion, acting at a moderate speed and in an organized

manner was a successful way to learn and score points.

This adjustment of behaviour may be associated with self-regulation models.

These models reveal that self-observation is a relevant component whereby the

students can improve their performance (Boekaerts et al., 2000; Efklides, 2011;

Winne & Hadwin, 1998; Zimmerman & Schunk, 2011). Similarly, van Loon et al.

(2017) emphasise that the apprentices have to monitor their learning, self-assess,

and to pay attention to feedback, in order to solve their errors. Zimmerman (2002)

also emphasized the role of self-observation and underlined the relevance of self-

control: the student must modify the strategies that are not being successful. Those

adjustments carried out after self-observing the behaviour and its consequences

constitute self-control (Zimmerman, 2002). Hence, during the performance phase,

the students must monitor their progress and adapt their strategies to complete the

task successfully. One kind of strategies to be carried out at this stage is time-

management. An example of time management may be self-observation and self-

control of response speed since it is necessary to act quickly enough to complete a

task but also not too fast to make errors. In any case, Zimmerman and Moylan (2009)

pointed out that there can be many other strategies, all of which correspond to

monitoring and adjusting, if necessary, one’s execution. In this way, checking the

effectiveness of each response, controlling global response speed and adjusting it,

would be examples of self-regulation.

We could say that, by the second half of the task, some participants in the LLG

started to self-control their behaviour since they adjusted their response speed and

improved their performance. Students in the LLG started the task not self-

controlling their behaviour, just clicking fast and indiscriminately on the pictures.


161

Nevertheless, by the second half of the task, some of them started to self-control, in

other words, they started to decrease its response speed and to act more organized.

This new way of answering enabled them to learn which the target pictures were

and therefore, to increase their LI.

On the other hand, students in the HLG, started to self-control their response

speed from the first trials, acting slowly until the moment that they had learned the

target category. Then, they were able to increase their response speed without

making errors and they managed to score more points. This fact highlights the

importance of facing the category learning test in a calm, organized and thorough

manner, which, among other strategies, allows participants to learn.

However, some adults did not self-control, even during the 4 extra trials, and

consequently, they failed to learn the target category. Specifically, 17 of 86 students

continued acting too fast and disorganized to learn, even during the extra training.

This result is in line of those of Best et al. (2013), Blair et al. (2009), Bott et al. (2007)

and Rivera and Sloutsky (2015), in whose studies there was a significant percentage

of adults who did not learn the categories. In the CLT the stimuli were not artificial

but represented real objects and the categories were themed, which are more easily

learned (Murphy & Allopenna, 1994; Spalding & Murphy, 1996), such as the

employed by Bott et al. (2007). The present study number of trials is not easily

comparable to those of the other studies since the stimuli presentation was not

serial: 105 stimuli were present at the same trial and each individual spontaneously

determined the number of clicks executed. The training method was based on

feedback, despite not being corrective. The test-takers had to deduct the categories

based on the number of points that each figure offered. This particular configuration

of the task allowed detecting the relevance of response speed and organization for


162

category learning. These variables are not too relevant in the mentioned studies

since the presentation of the stimuli was serial. Nevertheless, in these tasks,

probably acting at a moderate speed is also recommendable and might allow the

participant to detect the relevant category characteristics and therefore to learn.

Although the possibility of generalizing the results is rather limited, we

consider that students who behave too quickly and disorganized in a category

learning task might behave in the same way when undertaking school tasks, so we

may expect their school performance to be deficient. Several authors (Barkley &

Fischer, 2011; Barkley, 2012; Naglieri & Das, 2005; Núñez et al., 1998; Rosário et al.,

2005; Schunk & Zimmerman, 1998; Zimmerman, 2002) pointed out that poor

academic and work performance starts from a lack of self-regulation strategies. The

association between self-regulation and academic grades at college has been

strongly established (Britton & Tesser, 1991; Cazan, 2012; Dörrenbächer & Perels,

2016; Hartwig & Dunlosky, 2012; Pintrich, et al. 1993). Hence, we aimed to

investigate, in a sample of university students, the relation between performance in

a category learning task and academic grades. We hypothesized that students who

did not self-control their behaviour during the resolution of the CLT might not self-

control their behaviour when solving academic tasks and therefore their

performance may be deficient. Conceivably, acting too fast and disorganized when

facing academic tasks or exams could constitute an obstacle to learning and

achieving good marks.

Therefore, we analysed the relation between academic marks and the CLT

indexes. However, the correlations were low and non-significant We consider that

the lack of correlation between learning in CLT and academic grades could be due

to the fact that academic grades depend on variables other than regulation of


163

response speed and organization, such as intelligence, motivation, availability to

study, etc. (Heaven & Ciarrochi, 2012; Roth et al., 2015). Moreover, several

mediating variables could influence the association between self-regulation and

learning, such as self-efficacy, goal orientation or teaching strategies (Perels et al.,

2005; Rozendaal et al., 2005; Schunk, 2005; Zimmerman & Moylan, 2009).

Despite the lack of correlation between performance in the CLT and academic

grades, the relation between execution patterns and category learning has been

established. In this task, it was crucial to pay attention to the relation between the

type of picture and the score obtained when clicking on it, and this was not easy

when acting too quickly and disorganized. The results showed that people who

acted slowly and in an organized way succeeded to learn the target category.

Furthermore, some people who acted too fast and in a disorganized way during the

first part of the task managed to learn the target category in the second half of the

task by decreasing their speed and increasing their organization. They needed more

time than other participants to self-control and therefore to learn so they did not

reach the initial expected LI, but they finally managed to improve it. Conversely,

some participants continued acting fast and disorganized during the extra trials and

therefore they did not learn the target category. These results coincide with self-

regulated learning models, such as those of Boekaerts et al. (2000), Efklides (2011),

Winne and Hadwin (1998) and Zimmerman (2011), who underlined the relevance

of self-regulation for learning. Therefore, to answer the question formulated in the

title we could say that some university students did not learn simple themed

categories because they were acting too fast and disorganized to learn and did not

self-control their behaviour.


164

In future studies, it would be desirable to continue exploring the influence of

response speed and organization on learning. On the one hand, it would be

interesting to analyse the role of these execution patterns in different learning tasks.

On the other hand, the regulation of these variables should be investigated in depth.

Will the average LI increase by limiting the maximum response speed in the task?

Could we induce slowness through instructions? If we could design tasks not only to

assess learning and execution variables but also to encourage self-regulated

learning, it could be highly useful for helping those students that struggle with

academic tasks.

Besides, we advise the employment of objective tests is future investigations.

Particularly, through the CLT that presents several stimuli at the same time the

relevance of organization and response speed has been found. The tasks usually

employed in category learning assessment, due to the serial presentation of the

stimuli, cannot study this relation. Nevertheless, other objective tasks share with the

CLT the benefit of assessing the real behaviour instead of the estimations or self-

reports of the student, which reduces an important source of bias (Proyer y Häusler,

2007). Numerous studies show that it is more complicated to falsify results on an

objective test than on a questionnaire (Arendasy et al,. 2011; Elliot et al., 1996;

Ziegler et al., 2010). Besides, in recent decades there has been a proliferation of

studies demonstrating the properties and predictive ability of these types of tests

(Ortner & Proyer, 2015; Rubio et al., 2010; Santacreu et al., 2006).

Limitations of the Study

Despite the mentioned advantages of the test, we would like to highlight that

caution in generalizing results is a characteristic that accompanies this and other


165

objective tests, precisely because they are "miniaturized" situations that although

they attempt to represent real-life situations.

Besides, it should be noted that self-regulation involves many different

behaviours. The present study only took into account the performance phase.

Besides, exclusively the regulation of the response speed has been analysed.

Another limitation of the present study is the lack of diversity of the sample,

as all the participants were Psychology students. It will be interesting to study this

topic in other degree courses and larger samples.

Conclusions

In conclusion, it should be highlighted the relation between execution

patterns and learning in the task. As we have seen, when facing the CLT, individual

differences in the way participants solve the task, that is, their level of organization

and response speed, is highly related to the level of learning achieved. Acting at a

moderate speed and in an organized manner promoted category learning in the task.

Besides, we would like to point out the relevance of self-observation and self-control

of response speed for learning in the CLT. This relation has been found through the

use of an objective measure. It is for this reason that we would like to emphasize the

importance of studying learning processes using objective tests, specifically those

that enable us to measure the execution patterns during the task.

6. References.

Anderson, J. R. (1991). The adaptive nature of human categorization. Psychological

Review, 98(3), 409-429. http://dx.doi.org/10.1037/0033-295X.98.3.409

http://dx.doi.org/10.1037/0033-295X.98.3.409


166

Arendasy, M., Sommer, M., Herle, M., Schützhofer, B., & Inwanschitz, D. (2011).

Modeling effects of faking on an objective personality test. Journal of

Individual Differences, 32(4), 210–218. https://doi.org/10.1027/1614-

0001/a000053

Ashby, F. G., & Maddox, W. T. (2005). Human category learning. Annual Review of

Psychology, 56(1), 149-178.

https://doi.org/10.1146/annurev.psych.56.091103.070217

Barkley, R. A., & Fischer, M. (2011). Predicting impairment in major life activities

and occupational functioning in hyperactive children as adults: Self-reported

executive function (EF) deficits versus EF tests. Developmental

Neuropsychology, 36(2), 137-161.

http://dx.doi.org/10.1080/87565641.2010.549877

Barkley, R. A. (2012). Executive functions: What they are, how they work, and why

they evolved. The Guilford Press.

Best, C. A., Yim, H., & Sloutsky, V. M. (2013). The cost of selective attention in category

learning: Developmental differences between adults and infants. Journal of

Experimental Child Psychology, 116(2), 105-119.

http://dx.doi.org/10.1016/j.jecp.2013.05.002

Blair, M. R., Watson, M. R., & Meier, K. M. (2009). Errors, efficiency, and the interplay

between attention and category learning. Cognition, 112(2), 330-336.

http://dx.doi.org/10.1016/j.cognition.2009.04.008

Boekaerts, M., Pintrich, P.R., & Zeidner, M. (2000). Handbook of self-regulation.

Academic Press.

https://psycnet.apa.org/doi/10.1027/1614-0001/a000053


https://psycnet.apa.org/doi/10.1080/87565641.2010.549877




167

Bott, L., Hoffman, A. B., & Murphy, G. L. (2007). Blocking in category learning. Journal

of Experimental Psychology: General, 136(4), 685-699.

http://dx.doi.org/10.1037/0096-3445.136.4.685

Britton, B. K., & Tesser, A. (1991). Effects of time-management practices on college

grades. Journal of Educational Psychology, 83(3), 405-410.

http://dx.doi.org/10.1037/0022-0663.83.3.405

Casadevante, C., Romero, M., Fernández-Marcos, T., & Hernández, J. M. (2019).

Category learning in schoolchildren. Its relation to age, academic marks and

resolution patterns. The Spanish Journal of Psychology, 22, Article e48.

https://doi.org/10.1017/sjp.2019.56

Cazan, A. M. (2012). Self-regulated learning strategies–predictors of academic

adjustment. Procedia-Social and Behavioural Sciences, 33, 104-108.

https://doi.org/10.1016/j.sbspro.2012.01.092

Efklides, A. (2011). Interactions of metacognition with motivation and affect in self-

regulated learning: the MASRL model. Educational Psychologist, 46(1), 6 - 25.

http://dx.doi.org/10.1080/00461520.2011.538645

Elliot, A. J., & Harackiewicz, J. M. (1996). Approach and avoidance achievement goals

and intrinsic motivation: A mediational analysis. Journal of Personality and

Social Psychology, 70(3), 461–475. https://doi.org/10.1037/0022-

3514.70.3.461

Dörrenbächer, L., & Perels, F. (2016). Self-regulated learning profiles in college

students: Their relationship to achievement, personality, and the

effectiveness of an intervention to foster self-regulated learning. Learning

and Individual Differences, 51, 229–

241. https://doi.org/10.1016/j.lindif.2016.09.015

https://doi.org/10.1017/sjp.2019.56

http://dx.doi.org/10.1080/00461520.2011.538645

https://psycnet.apa.org/doi/10.1037/0022-3514.70.3.461


https://psycnet.apa.org/doi/10.1016/j.lindif.2016.09.015


168

Hammer, R., Diesendruck, G., Weinshall, D., & Hochstein, S. (2009). The development

of category learning strategies: What makes the difference? Cognition,

112(1), 105 –119. http://dx.doi.org/10.1016/j.cognition.2009.03.012

Hartwig, M. K., & Dunlosky, J. (2012). Study strategies of college students: Are self-

testing and scheduling related to achievement? Psychonomic Bulletin &

Review, 19(1), 126-134. http://dx.doi.org/10.3758/s13423-011-0181-y

Heaven, P. C., & Ciarrochi, J. (2012). When IQ is not everything: Intelligence,

personality and academic performance at school. Personality and Individual

Differences, 53(4), 518-522. http://dx.doi.org/10.1016/j.paid.2012.04.024

Huang-Pollock, C.L., Maddox, W.T., & Karalunas, S.L. (2011). Development of implicit

and explicit category learning. Journal of Experimental Child Psychology, 109,

321–335. http://dx.doi.org/10.1016/j.jecp.2011.02.002

Minda, J.P., & Ross, B.H. (2004). Learning categories by making predictions: An

investigation of indirect category learning. Memory & Cognition, 32(8), 1355-

1368. http://dx.doi.org/10.3758/BF03206326

Murphy, G. L., & Allopenna, P. D. (1994). The locus of knowledge effects in concept

learning. Journal of Experimental Psychology: Learning, Memory, and

Cognition, 20(4), 904-919. https://doi.org/10.1037/0278-7393.20.4.904

Naglieri, J. A., & Das, J. P. (2005). Planning, Attention, Simultaneous, Successive

(PASS) Theory: A Revision of the Concept of Intelligence. In D. P. Flanagan &

P. L. Harrison (Eds.), Contemporary intellectual assessment: Theories, tests,

and issues (pp. 120-135). The Guilford Press.

Núñez, J.C.; González-Pienda, J.A.; Carbonero, M.A. & Crespo, M.T. (1998).

Dificultades de aprendizaje escolar [School learning difficulties]. In J.A.

http://dx.doi.org/10.1016/j.cognition.2009.03.012

http://dx.doi.org/10.1016/j.paid.2012.04.024


http://dx.doi.org/10.3758/BF03206326


169

González-Pienda & J.C. Núñez (coord.), Dificultades de aprendizaje escolar

(pp. 45-65). Pirámide.

Ortner, T. M., & Proyer, R. T. (2015). Objective Personality Tests. In T. M. Ortner & F.

J. R. Van de Vijver (Eds.), Behaviour-based assessment in psychology (pp. 133-

149). Hogrefe.

Perels, F., Gürtler, T., & Schmitz, B. (2005). Training of self-regulatory and problem-

solving competence. Learning and Instruction, 15(2), 123-139.

https://doi.org/10.1016/j.learninstruc.2005.04.010

Pintrich, P. R., Smith, D. A., Garcia, T., & McKeachie, W. J. (1993). Reliability and

predictive validity of the Motivated Strategies for Learning Questionnaire

(MSLQ). Educational and Psychological Measurement, 53(3), 801-813.

http://dx.doi.org/10.1177/0013164493053003024

Proyer, R. T., & Häusler, J. (2007). Assessing behaviour in standardized settings: The

role of objective personality tests. International Journal of Clinical and Health

Psychology España, 7(2), 537-546. Retrieved from

https://aepc.es/ijchp/articulos_pdf/ijchp-237.pdf

Quiroga Estévez, M.A., Santacreu Mas, J., Montoro, A., Martínez-Molina, A., & Chun

Shih, P.C. (2011). Evaluación Informatizada de la Atención para Niños de 7 a

11 Años: El DiViSA-UAM y el TACI-UAM [Computerized Assessment of

Attention for Children from 7 to 11 Years Old: DiViSA-UAM and TACI-UAM].

Clínica y Salud, 22(1), 3-20. http://dx.doi.org/10.5093/cl2011v22n1a1

Rabi, R., & Minda, J.P. (2014). Rule-based category learning in children: The role of

age and executive functioning. PLoS ONE, 9(1), Article e85316.

http://dx.doi.org/10.1371/journal.pone.0085316


https://aepc.es/ijchp/articulos_pdf/ijchp-237.pdf

http://dx.doi.org/10.1371/journal.pone.0085316


170

Rivera, S., & Sloutsky, V. M. (2015). Development of selective attention in category

learning. In D. C. Noelle, R. Dale, A. S. Warlaumont, J. Yoshimi, T. Matlock, C. D.

Jennings, P. P. Maglio (Eds.), Proceedings of the 37th Annual Conference of the

Cognitive Science Society (pp. 2003-2008). Austin, TX: Cognitive Science

Society.

https://www.researchgate.net/publication/280493138_Development_of_s

elective_attention_in_category_learning#fullTextFileContent

Rosário, P., Núñez Perez, J. C., González-Pienda, J. A., Almeida, L. S., Soares, S., &

Rubio, M. (2005). El aprendizaje escolar examinado desde la perspectiva del

«Modelo 3P» de J. Biggs [School learning examined from the perspective of J.

Biggs' 3P Model]. Psicothema, 17(1), 20-30. Retrieved from

http://www.psicothema.com/psicothema.asp?id=3059

Roth, B., Becker, N., Romeyke, S., Schäfer, S., Domnick, F., & Spinath, F. M. (2015).

Intelligence and school grades: A meta-analysis. Intelligence, 53, 118-137.

http://dx.doi.org/10.1016/j.intell.2015.09.002

Rozendaal, J. S., Minnaert, A., & Boekaerts, M. (2005). The influence of teacher

perceived administration of self-regulated learning on students' motivation

and information-processing. Learning and Instruction, 15(2), 141-160.


Rubio, V. J., Hernández, J. M., Zaldívar, F., Márquez, O., & Santacreu, J. (2010). Can we

predict risk-taking behavior? European Journal of Psychological Assessment,

26(2), 87–94. https://doi.org/10.1027/1015-5759/a000013



175-181. http://dx.doi.org/10.1016/j.lindif.2016.07.020

https://www.researchgate.net/publication/280493138_Development_of_selective_attention_in_category_learning#fullTextFileContent

https://www.researchgate.net/publication/280493138_Development_of_selective_attention_in_category_learning#fullTextFileContent

http://dx.doi.org/10.1016/j.intell.2015.09.002



http://dx.doi.org/10.1016/j.lindif.2016.07.020


171

Santacreu, J., Rubio, V. J., & Hernández, J. M. (2006). The objective assessment of

personality: Cattells's T-data revisited and more. Psychology Science, 48(1),

53-68. Retrieved from https://core.ac.uk/download/pdf/26773499.pdf

Schunk, D. H. (2005). Commentary on self-regulation in school contexts. Learning

and Instruction, 15(2), 173–177.


Schunk, D. H., & Zimmerman, B. J. (Eds.). (1998). Self-regulated learning:

From teaching to self-reflective practice. The Guilford Press.

Schmitz, B., & Wiese, B. S. (2006). New perspectives for the evaluation of training

sessions in self-regulated learning: Time-series analyses of diary

data. Contemporary Educational Psychology, 31(1), 64-96.

http://dx.doi.org/10.1016/j.cedpsych.2005.02.002

Spalding, T. L., & Murphy, G. L. (1996). Effects of background knowledge on category

construction. Journal of Experimental Psychology: Learning, Memory, and

Cognition, 22(2), 525-538. https://doi.org/10.1037/0278-7393.22.2.525

Stoeger, H., & Ziegler, A. (2008). Evaluation of a classroom based training to improve

self-regulation in time management tasks during homework activities with

fourth graders. Metacognition and Learning, 3(3), 207-230.

http://dx.doi.org/10.1007/s11409-008-9027-z

van Loon, M., Destan, N., Spiess, M.A., de Bruin, A., & Roebers, C.M. (2017).

Developmental progression in performance evaluations: Effects of children's

cue-utilization and self-protection. Learning and Instruction, 51, 47-60.

http://dx.doi.org/10.1016/j.learninstruc.2016.11.011

https://core.ac.uk/download/pdf/26773499.pdf


172

Winne, P. H., & Hadwin, A. F. (1998). Studying as self-regulated engagement in

learning. In Hacker, D., Dunlosky, J., & Graesser, A. (Eds.), Metacognition in

educational theory and practice, (pp. 277–304). Erlbaum.

Ziegler, M., Schmukle, S., Egloff, B., & Bühner, M. (2010). Investigating measures of

achievement motivation(s). Journal of Individual Differences, 31(1), 15–

21. https://doi.org/10.1027/1614-0001/a000002

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory

Into Practice, 41(2), 64-70. http://dx.doi.org/10.1207/s15430421tip4102_2

Zimmerman, B. J., & Moylan, A. R. (2009). Self-regulation: Where metacognition and

motivation intersect. In D.J. Hacker, J. Dunlosky, & A.C. Graesser

(Eds.), Handbook of metacognition in education (pp. 311-328). Routledge.

Zimmerman, B. J., & Schunk, D. H. (2011). Handbook of self-regulation of learning and

performance. Routledge.


Chapter 7: Third study. How to foster learning by limiting the response speed.

175

CHAPTER 7:

Third Study. How to foster learning by

limiting the response speed.1

1. Abstract.

The aim of this research is to analyse the relevance of speed response and its

regulation for learning. In order to avoid the biases of self-reports, we used a

computerized objective test, the Category Learning Test (CLT). It measures the

student’s actual behaviour while completing a learning task. In the first study (N =

41), we found that university students that achieved a high learning index

performed slower than their mates did (t (37) = -4.05, p <.001, η² =.307). Therefore,

acting too fast was associated with poor performance in the task. In the second study

(N = 184), we divided the sample into two groups and we applied a speed limit to

the intervention group in order to promote learning. The intervention group

achieved a higher learning index than the control group (t (129) = -8.36, p <.001, η²

=.298). Hence, the speed limit fostered learning. Therefore, regulation of the speed

may be appropriate to foster learning.

Keywords: self-regulated learning; response speed; external regulation; college

students; objective test

1 El presente estudio empírico ha sido publicado en la revista Current Psychology y se presenta en el idioma en el que se publicó, respetando también parte del formato de este. Casadevante, C., Ortner, T., Romero, M. Hernández, J.M., & Santacreu, J. (2021). How to foster learning by limiting the response speed. Current Psychology. https://doi.org/10.1007/s12144-021-01784-7 (Received 3 July 2020; Accepted 21 April 2021, Published 29 April 2021).

https://doi.org/10.1007/s12144-021-01784-7


176

2. Introduction

Self-regulation and academic difficulties

Nowadays, many students experience difficulties to achieve basic

competencies (OECD, 2016). In numerous countries, there is a great concern about

the magnitude of school failure and about the number of students who have trouble

at academic spheres. A large number of authors have pointed out that some of these

academic difficulties are related to a lack of self-regulation (Barkley & Fischer, 2011;

Barkley, 2012; Naglieri & Das, 2005; Núñez, González-Pienda & Carbonero, 1998;

Rosário, Núñez, González-Pienda, Almeida, Soares & Rubio, 2005; Schunk &

Zimmerman, 1998; Zimmerman, 2002).

Many definitions of self-regulation have been formulated. Panadero (2017)

mentioned that self-regulated learning is a “core conceptual framework to

understand the cognitive, motivational, and emotional aspects of learning” (p.422).

Zimmerman (2002) defined self- regulation as a process by which students use their

capacities in order to achieve academic success rather than as a crystallized mental

ability or a single personal quality trait that someone has or does not have. This

author, along with Ramdass, emphasized the importance of self-regulation skills not

only for academic success but also for achieving a prosperous life in numerous

careers (Ramdass & Zimmerman, 2011). They noted various self-regulatory skills,

such as time management, goal setting, effort and persistence in performing difficult

tasks, or self-monitoring of one's performance.

Schunk, Pintrich and Meece (2008) also described self-regulation as a

process by which learners activate cognitions and behaviours to reach their goals.


177

Similarly, these authors stressed the importance of becoming a self-regulated

student to achieve success in academic and other areas of life.

As can be observed, there is not a unique definition of self-regulation. Wirth

and Leutner (2008) pointed out ten years ago that, although many models of self-

regulation have been proposed in the last years, a theoretical framework that

integrates them all coherently was missing. Nevertheless, all the formulated models

addressed the relevance of self-regulation for learning. The main models of self-

regulation have been formulated by Zimmerman (2000); Pintrich (2000); Boekaerts

(2011); Efklides (2011); Hadwin, Järvelä and Miller (2011) and Winne (2011);

differing in the phases and subprocesses included, the main explored areas

(metacognition, motivation or emotion), and in the way of conceptualizing several

aspects (Panadero, 2017).

One of the most cited models is Zimmerman’s (2000) one. It includes several

cognitive skills that can be translated into academic skills through the process of

self-regulation, such as adopting powerful strategies to achieve goals, monitoring

performance to find signs of progress or failure, managing time efficiently, self-

evaluating methods used to know their effectiveness and adapting those that have

been unsuccessful. The author distinguished three stages in a self-regulation

process: forethought phase, performance phase and self-reflection phase. In the

different phases, the student should carry out different self-regulatory processes.

These processes include task analysis, self-observation and self-judgement of one’s

execution, self-control of that execution, etc. The first phase occurs before facing a

task, when it is prepared and organized.


178

This research aimed to investigate the factors influencing learning during the

process of solving a task, specifically the speed factor. Therefore, the emphasis in

this work is on the performance phase, when self-control and self-observation play

a major role (Zimmerman, 2002). In the performance phase, the students execute

the task so they must monitor their progress and adapt their strategies to complete

the task successfully: For example, relevant strategies to be carried out at this stage

are checking the effectiveness of each response, controlling global response speed

and adjusting it. These actions of self-evaluation occur not only at the end of the

activity but also during its progress and are indispensable for making the necessary

adjustments during the execution. Then, the student can initiate regulatory

activities such as adjusting the execution speed. This phase is especially demanding

because the student should execute the task and, simultaneously, self-observe and

self-control the execution (DiBenedetto & Zimmerman, 2010).

Self-regulation promotes learning and academic performance.

Several studies have shown that self-regulatory processes are highly related

to academic success. During the 1970s and 1980s, several researchers studied the

influence of self-regulatory processes and discovered that these strategies were

generally effective in producing superior learning, even with young children

(Zimmerman, 2008). Besides, several authors using self-reports and interviews

showed that self-regulated learning was correlated with academic performance.

Zimmerman and Martinez-Pons (1986) measured the self-regulatory

learning style through a structured interview created ad hoc. The authors stated that

self-regulation - among with metacognition and performance expectations -


179

explained a moderate amount of the variance of high school performance in

Language and Mathematics (R2 = .22 and R2 = .29, respectively).

At the same time, Britton and Tesser (1991) carried out a longitudinal study

using a time management questionnaire. These researchers verified the effects of

time management practices on academic achievement during the college years.

Time management reported through self-report was a significant predictor of

academic achievement four years later at their graduation (R2 = .22).

Pintrich, Smith, Garcia and McKeachie (1993) found a significant correlation

between metacognitive self-regulation assessed through a questionnaire designed

for the study and college final grades (r = .30).

DiBenedetto and Zimmerman (2010) compared the practice of self-

regulatory processes of high school students who obtained high and low marks.

When students were completing a task, they were asked about the self-control and

self-observation processes they were carrying out. They found that high science

achievers used significantly more self-control strategies while solving the task than

low achieving science students did. The effect size (ηp2 = .18) was considered large.

Besides, the quality of the high achievers self-monitoring was significantly higher

than that of the low and average achievers (ηp2 = .41).

Similarly, Cleary and Chen (2009) confirmed that the use of self-regulation

strategies reliably differentiated high achievers and low achievers in academically

rigorous or intensive math classrooms of middle school (η2 = .04). Nevertheless,

they highlighted that this relation only appears in environments that require high

levels of self-discipline and persistence, like in advanced math courses.


180

Dörrenbächer and Perels (2016) conducted a latent profile analysis with

college students. They measured self-regulated learning through an ad-hoc

questionnaire and they took as a measure of academic performance the average

global score of the ongoing academic course. They found that students with a high

self-regulated learning and high motivation profile obtained a higher academic

achievement (ηp2 = .10).

Sitzmann and Ely (2011) conducted a meta-analysis combining multiple

studies carried out to date on self-regulated learning in adults. They analyzed 430

samples after which they concluded that the self-regulatory factors that most

influence learning in adults are persistence, effort, self-efficacy perception and the

projection of personal goals, being able to jointly explain 17% of the variance of the

learning achieved.

In conclusion, it has been well established that self-regulation promotes

learning and therefore, better academic performance from middle school to college.

Nevertheless, most studies employed self-report measures to analyse self-

regulation and none of them combines in one-measure both learning and self-

regulation behaviours. We will elaborate on this on the next sections.

Interventions in self-regulation and time management

During the school years, teachers play a main role in regulating students'

learning by setting goals, managing their time while solving tasks, administering

homework, etc. Then, when students pass to the next grades, teachers gradually


181

reduce their help and expect students to incorporate these processes of self-

regulation (Ramdass and Zimmerman, 2011).

Nevertheless, even at the university, many students lack self-regulation

strategies (Cazan, 2013). Peverly, Brobst, Graham, and Shaw (2003) stated that most

studies on self-regulation in college students used simple materials. In their study,

more complex and difficult materials were used to measure self-regulation. They

found that college students were not aware of their level of preparedness before a

test nor of their performance after the test was completed. Since self-monitoring and

self-assessment are crucial for subsequent self-monitoring, the authors concluded

that college students are not as good at self-regulation.

The good news is that apparently, these self-regulation strategies can be

learned and interventions to encourage self-regulated learning are successful ways

to improve student’s learning as long as they are properly designed (Hattie, Biggs &

Purdie, 1996; Panadero, 2017). Ramdass and Zimmerman (2011) noted, based on

their systematic revision, that self-regulatory student’s behaviours develop

gradually over time with repeated practice. In addition, they revealed that self-

regulatory training could be effectively applied to all grade levels students through

classrooms activities and homework, in order to promote the use of time

management skills. The effect sizes of the reported studies variated from small

(η2<.10) to large (d = 1.2).

Schmitz and Wiese (2006) developed a training program based on

Zimmerman’s self-regulation model and applied it for four weeks to 40 university

students. Through a time series analysis, the authors demonstrated the


182

effectiveness of the intervention on promoting self-regulatory behaviours reported

in learning diaries (effect size from .11 to .86 depending on the behaviour).

Bellhäuser, Lösch, Winter and Schmitz (2006) developed a web-based

training to foster self-regulated learning. 211 university students tested the tool

showing a significant increase of self-regulated learning behaviours (η2p =.32,

reported through learning diaries and questionnaires).

Stoeger and Ziegler (2008) developed and implemented a classroom-based

training to improve self-regulation in time management tasks in elementary

students. After the training, students in the experimental group evidenced improved

time management skills and self-reflection of their learning in comparison to the

control group. Besides, the authors analyzed school performance using two ad hoc

mathematics tests. Changes in performance after training were higher in the

intervention group. Despite the significant training effects, the effect sizes were

small (η2<.10).

Dignath, Buettner and Langfeldt (2008) carried out a meta-analysis and

concluded that self-regulated learning training programmes were effective with

schoolchildren, even at primary school level (d = .73).

Dörrenbächer and Perels (2016) trained college students during eight weeks

thought and intervention based on Zimmerman’s (2000) model. An expert provided

theoretical and practical information to deepen self-regulation processes and

transfer it to individual learning. Through exercises and reflection questions,

students were expected to acquire self-regulation behaviours. The authors found

that students with previous moderate self-regulated abilities benefited from the

intervention (d = .77).


183

In conclusion, research revealed that elementary school children and college

students are capable of acquiring self-regulatory skills and that self-regulation

behaviours can be developed and trained. Students may learn to evaluate and

monitor their behaviours and to perform effectively and productively even in the

absence of an external agent (e.g. parent, teacher, principal).

Measures of self-regulation and empirical evidence

Several measures aiming to assess self-regulation have been proposed.

Winne and Perry (2000) highlighted two alternative approaches of conceiving self-

regulation that imply different ways of measurement: self-regulation can be

conceived as an aptitude or as an event. Those authors who conceive self-regulation

as an aptitude consider it as an ability that someone possesses, that makes it

possible to predict how people will act in the future. This approach usually employs

measures such as self-reports, interviews or teacher judgements. Hence, these

instruments express the estimated level of the student’s ability to self-regulate

according to students or teacher’s reports. On the other side, self-regulation is

conceived as an event, which is the self-regulated behaviour that a person does in a

determinate moment while solving a determinate task. Task characteristics

(context, stimuli, feedback, instructions, etc.) are expected to influence the process

of self-regulation. Within this approach, the measures aim to assess the self-

regulation process at the moment that it occurs for example, through think aloud

measures, error detection tasks, trace methodologies or direct observations of

performance. Trace measures have been defined as “observable indicators about

cognition that students create as they engage in a task” (Winne & Perry, 2000,


184

p.551), for example, an annotation that a student makes while studying. Several

researchers also employed structured personal diaries (Schmitz & Wiese, 2006) or

direct observations of regulatory behaviours in particular contexts (Perry, 1998).

Trace methodologies may serve as a base to design computerized tests that record

these measures easily.

Winne and Jamieson-Noel (2002) reported that self-reports are often

inconsistent with trace measures of self-regulatory processes as a result of their

studies comparing self-regulated behaviours reported through self-reports and

recordings of actual self-regulation traces while students work in a task by using an

innovative software program called gStudy. Nevertheless, despite technological

advances in the last decades, self-report scales represent the most widely used self-

regulatory measure (Cleary, Callan & Zimmerman, 2012; Roth, Ogrin & Schmitz,

2016), mostly due to economic reasons. Dinsmore, Alexander and Loughlin (2008)

also highlighted the fact expressing their concern about the existing heavy reliance

on self-reports and the insufficient corroboration with actual traces of people’s

behaviours. Many researchers have questioned the validity of self-report measures

to assess self-regulation (Crombach, Boekaerts & Voeten, 2003; Veenman, Prins &

Verheij, 2003; Veenman, 2011; Winne & Perry, 2000; Winne & Jamieson-Noel,

2002). These concerns have also been addressed when assessing other

psychological factors such as personality variables (Ortner & Proyer, 2018; Ortner

& Schmitt, 2014; Santacreu, Rubio & Hernández, 2006;). Even researchers that used

self-report measures in their studies acknowledge possible flaws of using it (Britton

& Tesser, 1991). Some authors have proposed objective tests as an alternative

measure of several psychological variables as abilities and personality variables

(Ortner & Proyer, 2015; Ortner & Schmitt, 2014; Santacreu, Rubio & Hernández,


185

2006; Santostefano, 1960). Cattell (1946) generated the first generation of this kind

of measures. Several objective tests have been developed in the last years,

conforming a way of obtaining “information about a person’s characteristics by

assessing their behaviour in a highly standardized miniature situation” (Ortner &

Proyer, 2015, p.6).

Turner (1995) highlighted the existence of several advantages of using direct

observations of behaviour to measure self-regulated learning. First, they are a

manifestation of what students actually do instead of what they remember or

consider that they do. Besides, these performance observations are related to a

concrete task, so it is possible to analyse the influence of several task factors in

performance such as the presence or absence of feedback.

Based on these considerations, Quiroga Estévez, Santacreu Mas, Montoro,

Martínez-Molina and Chun Shih (2011) developed a computerized objective

learning test which can offer a direct observation of self-regulation processes, the

Category Learning Test (CLT). In this task, test takers are instructed to learn which

tokens are associated with the highest score to click on it and therefore, to gain

points. Unlike other category learning tasks, the CLT was designed and configured

to assess not only the level of learning achieved but also the evolution of the

execution patterns that participants display during the task. In each trial, there 150

figures were presented simultaneously with up to 30 elements belonging to the

target category. By contrast to the serial stimuli presentation, the CLT stimuli

presentation enables test takers to explore around the screen during the trial length.

The simultaneous presentation of all the stimuli enables the participant to execute

a variable number of responses during the trial and means that different patterns of


186

response are possible. Furthermore, this set-up gives more ecological validity to the

task because of its similarity to real life, where many elements appear together with

others and the response options are not dichotomous, but multiple and variable.

Therefore, we consider that this task is an adequate task to assess self-regulation

learning.

Using this task Santacreu and Quiroga (2016) assessed schoolchildren aged

between 7 and 12 years and discovered that one-third of the sample did not learn

the target category. Besides, they found that the proportion of correct clicks, i.e.

Learning Index, was significantly related to the studied execution variables:

organization, i.e., scanning the screen following an ordered pattern (r = .68) and

speed, i.e. the interval between responses (r = .53). Hence, when students acted

slowly and organized, they succeeded to learn what the target category was. These

results seem to be related to self-regulation learning since there were a great

number of students who presumably did not self-monitor or self-control their

response speed and organization to achieve the task’s objectives. The authors

argued that these students might be behaving in the same way when undertaking

school tasks and therefore their school performance may be deficient.

In line with Winne and Perry (2000), results gained by the CLT were

considered both as an event and as an aptitude. Some CLT variables as the speed

index or the pattern of responses could be conceived as a direct measure of self-

regulated behaviours, framed within the conception of self-regulated as an event.

Despite that, the authors who employed it consider that performance on the CLT

could be related to academic performance because students might behave in the

same way while solving the CLT and solving academic tasks. Therefore, this is a way

of conceiving self-regulation as an aptitude. As Winne and Perry (2000) proposed, a


187

model that conceives self-regulation as an event and as an aptitude at the same time

is possible. These authors explained that mental factors have an influence, but also

environmental factors do. Certainly, environmental variables of the task as the

disposition of the stimuli, proportion of targets, time or feedback influence the

student’s self-regulated behaviour, in the same way as the individual’s previous

personal abilities. Thus, we propose in this study that CLT assesses actual self-

regulation process in that concrete task. However, simultaneously we consider that

this measure is an indicator of typical behaviour and is, therefore, able to predict

future behaviours. Besides, we consider that the environment has an influence such

as this self-regulated behaviour can be trained, which increases the importance of

assessing it.

In addition, we consider that the CLT is a task with educational relevance

given that category learning is crucial for academic success and even for daily life.

From childhood, individuals learn to classify living beings and inert beings,

carnivorous and omnivorous animals, letters and numbers, etc. As students advance

through the stages of academic education, the categories to learn become more

complex and specific: chemical and physical processes, muscle and nervous tissue,

rational and irrational numbers, etc. Similarly, categories are present in human’s

day-to-day lives: different genders, public and private property, etc. In this way,

learning about categories is crucial for academic performance and even for

adaptation to daily life, and the CLT represents an academic learning task.

The aim of the present study

In short, the present study aims at studying the relation between the speed

with which a task is solved and the level of learning that is achieved in this task. As


188

indicated by studies above (e.g.; Stoeger & Ziegler, 2008), time represents a key

component in self-regulation. Students showing higher levels of self-regulation

usually monitor their response speed during a task and adjust their speed if it is

necessary to achieve their goals.

Whereas many students start to perform effectively and productively even in

the absence of an external agent (e.g. parent, teacher, principal) when grown up

(Ramdass & Zimmerman, 2011), some students do not succeed at learning to self-

regulate without external support even at college. The main hypothesis of this

research formulates that when introducing an external limit of speed, individuals

who are not able to self-regulate their response speed, will decrease it and then they

will achieve a higher learning index. This fact would mean that an external

regulation of response speed promotes learning.

In line with this aim, we firstly conducted preliminary research to analyse the

response speed of adults who achieved to learn in the original version of the task, in

comparison with the response speed of those who did not learn. Based on this

information, in the main study, we aimed at introducing an external regulation of

the response speed to part of the sample, forming the experimental group. We

established a speed limit to force their response speed to be similar to the optimal

speed found in the first study. Our first hypothesis stated that the speed limit group

would be related to a better performance in the task.

Secondly, we expected to find a great proportion of high-performance

participants and a lower proportion of low-performance participants in the

experimental group than in the control group. However, since university students


189

formed the sample and should be able to self-regulate, we expected to find high

achievers also in the control group.

Lastly, in the control group, we analysed the response speed of high and low-

performance participants throughout the trials to analyse its relation to their

learning index. We expected high-performers to act slower than low-performers,

that is, an inverse relation between learning and spontaneous response speed.

3. STUDY 1: PRELIMINARY RESEARCH.

3.1. Method

Participants

Forty-one undergraduates enrolled in a Psychology Degree in a public

university in Spain volunteered for course credit to complete an assessment

procedure. Twenty-one were in the first year, fifteen were in the second year, three

were in the third year and one was in the last year. They were aged between 18 and

24, and, on average, the participants were 20.11 years old (SD = 1.17). Thirty-eight

participants were women and three were men.

Materials

All the participants completed a short version of the Category Learning Test

(CLT, Quiroga Estévez et al., 2011). The CLT seems to be an adequate task to analyse

some self-regulation behaviours such as adjustment of speed, as explained above.

The focus was on the actual self-regulated behaviours that a student executes while

solving a task.


190

This task version consisted of eight trials and each trial lasted 14 seconds.

Each participant completed the eight trials. Each trial consisted of a 15 by 15 matrix

(225 squares), on which 105 different figures were displayed simultaneously. When

the participant clicked on a figure, the screen immediately showed the number of

points scored i.e. 9, 3, 1 or 0 points. This matrix contained 30 target tokens featuring

four-legged animals valued 9 points and 75 non-target tokens featuring other

figures (vegetables, living-beings, means of transport…), 21 of which were worth 3

points, 20 were worth 1 point, and 34 tokens had 0 value. The instructions of the

task informed test-takers that the aim was to identify and click on the figures

associated with the high number of points to get the highest score.

Figure 1 shows a CLT item illustrating the screen displaying the scored

earned when clicking on the token. The timer was present in every item, on the right

side of the screen.

Figure 1. Example of a CLT’s item in which four tokens have been clicked on


191

The CLT registered the click type i.e. which figure was clicked on and the time

(milliseconds) when the click occurred.

The task was executed in HP computers with the operative system Windows

10 version installed. The software used to present the stimuli was created by the

research group and the exactitude of the measurements was previously tested.

Variables

The following variables were obtained for each trial:

1. Hits: H, the number of 9-point tokens clicked on.

2. Non-optimal responses: NOR, the number of clicks on 3-point, 1-point or 0-point

tokens.

3. Learning Index: LI, the ratio of hits to the total number of clicks.

4. Speed response: the number of clicks per second.

Procedure

Student volunteers who wanted to participate in the study chose one of the

different appointments available. All of them participated for course credit but they

could achieve this credit in other ways. At the start of the study, the participants

were briefly informed about the study avoiding biasing the results. They were told

that the procedure aimed at assessing different competences. They signed an

informed consent document to participate in the investigation. After the assessment,

they were fully informed about the study.


192

Participants were divided into groups of 30 maximum people and completed

the task in the IT room being supervised by two psychologists. Before starting the

task, they read the instructions on their computers.


each trial. Statistical analyses were performed using SPSS Statistics 24.0 package.

Power analysis

The statistical power of a study represents the probability of rejecting the null

hypothesis when it is false. In other words, it represents the facility of the test to

detect statistically significant differences or associations (Díaz & Fernández, 2003).

It takes into account the sample size and effect size, as well as the chosen alpha level

for decision making. It is important to perform this analysis to recognize whether

the study is sufficiently accurate. A priori analyses are useful to know the minimum

sample size to be collected by the study. Post-hoc power analyses certify that the

final power achieved is enough.

Therefore, a power analysis was conducted with G*Power 3.1.9.4 (Faul,

Erdfelder, Buchner & Lang, 2009) based on the results of Santacreu and Quiroga

(2016) since it is the one study using the CLT. The analysis indicated that with a

desired power of 0.95 and an alpha level of 0.05, a minimum sample size of 30

participants was sufficient to detect significant differences. Thus, the study is

sufficiently powered. Nevertheless, since effect sizes are generally overestimated in

the literature and our a priori power analysis might be unadjusted. Besides, the

sample of Santacreu and Quiroga’s (2016) study was different from ours. Therefore,

we did a post-hoc power analysis.

https://www.sciencedirect.com/science/article/pii/S095947521830392X#bib15





193

3.2. Results

Because of the presence of different types of figures, some participants may

be attracted to one type of figures (e.g., cars) and click mainly on that tokens. This

tendency could be a problem if these participants do not click on target tokens and

therefore they do not have the opportunity to learn which ones are the prized

tokens. Therefore, first of all, a filter was applied in order to select only the

participants who in the first trial had at least one hit, i.e. a LI different to zero. Hence,

they had the possibility to learn. Two people were excluded from the rest of the

analyses because of this reason.

According to the first research question, we analysed whether two groups of

persons showing different learning behaviour during the task that could be

distinguished statistically. Hence, we carried out a cluster analysis of profiles (SPSS

K-Means procedure) to classify individuals based on the level of learning achieved

during the eight trials. This procedure classifies individuals by their similarity to the

group taking into account the level of learning obtained in each trial instead of based

on an arbitrary decision. The dendrogram obtained by the hierarchical cluster

analysis showed that each conglomerate was homogeneous and, at the same time,

the optimal solution included the least number of groups. Simultaneously, the

clusters solution, i.e. the learning profiles in this case, was theoretically sound: there

were two groups, the one which learned and the one which did not learn. Both

groups were homogeneous and significantly different from each other in the

learning progression throughout the trials. We found that 29 students who learnt

the target category during the task composed the first group (High Learning Group,

HLG). They obtained, on average, an LI of 0.78. Therefore, 78% of their answers

were correct. On the other hand, 10 people who obtained, on average, an LI of 0.46,


194

formed the second group (Low Learning Group, LLG). Hence, only 46% of their

answers were correct, a proportion that is near to the one expected by chance in this

task. We analysed the differences in the learning index in every trial between the

two groups through several t-test. Since eight t-test were run, we adjusted the alpha

level following the Bonferroni correction. The adjusted alpha level was 0,00625. In

the first trial, there was no significant difference in the learning index obtained by

these two groups, i.e. there were not pre-test differences. The significant differences

appeared in the second trial and continued until the end of the task, as can be seen

in table 1.

Table 1. Mean of Learning Index by trial and learning group and Independent

Samples T-Test results.

Trial 1 Trial 2 Trial 3 Trial 4 Trial 5 Trial 6 Trial 7 Trial 8 High Learning Group (HLG) N = 29

0.55 0.66 0.75 0.86 0.88 0.82 0.83 0.86

Low Learning Group (LLG) N = 10

0.46 0.36 0.45 0.43 0.53 0.48 0.46 0.52

t (37) p η²

-.95 .348 .024

-3,29 .002 .227

-3,26 .002 .223

-6,02 .000 .494

-5,21 .000 .423

-4,73 .000 .377

-4,92 .000 .395

-4,18 .000 .321

According to the second question, we analysed differences in response speed

in both groups to check whether the learning index was associated with lower

response speed. Therefore, once we classified people depending on their LIs, we

compared the response speed of these two groups, considering the number of clicks

executed during each trial that lasted 14 seconds. The Independent Samples T-Test

showed significant differences between the two groups in the average number of


195

clicks executed during each trial (t (37) = -4.05, p <.001, η² =.307). The group that

obtained a high LI executed, on average, one click every 0.81 seconds (Speed Index

= 1.23, SD = .29). The group that obtained a low LI executed, on average, one click

every 0.55 seconds (Speed Index = 1.81, SD = .60). The post-hoc power of this

analysis, with an alpha level of 0.05, was 0.97, thus the study was powered enough.

4. STUDY 2: MAIN STUDY

4.1. Method

Participants

The sample consisted of one hundred and eighty-four university students

aged between 18 and 30. On average, they were 20.17 years old (SD = 2.03). One

hundred and fifty-one participants were women and thirty-three were men. All the

participants were studying a Psychology Degree at a public university in Spain.

Eighty-five were in the first year, fifty-seven were in the second year, twenty-nine

were in the third year and thirteen were in the last year.

Materials

All the students completed a long version of the Category Learning Test (CLT,

Quiroga Estévez et al., 2011). The task was almost the same that the one described

in the first study, but the duration of the trials was longer in this study: each trial

lasted 25 seconds.

Variables

The variables calculated were the same as in the first study.


196

Design

Test-takers were randomly assigned either to the experimental or to the

control group. Finally, due to some initial dropouts, the distribution of the groups

was ninety-nine participants in the experimental group and eighty-five in the

control group.

In the experimental group, a speed limit was introduced in order to force

their response speed to be similar to the optimal speed found in the first study.

Hence, we compared the performance of two similar groups in the task: the

experimental group completed a version of CLT with a speed limit and the control

group completed the task without any speed limit to let participants respond as fast

as they wanted. Considering the results of the first study, the speed limit applied

consisted of a maximum of 1 click per second. The speed limit was applied by

deactivating the mouse during 1 second after each click: the mouse pointer

disappeared during that time.

We amplified the original trial duration to 25 seconds so that participants

have enough time to explore the tokens and learn despite the speed limit of the

experimental condition. Therefore, in this study, the trials lasted 25 seconds in both

conditions.

Procedure

As in study 1, before the start of the study, student volunteers were briefly

informed that the procedure aimed at assessing different competences. Again, all of

them participated for course credit but they could achieve this credit in other ways.

They signed an informed consent document. After the assessment, they were fully

informed about the study.


197

Participants were divided into groups of 30 maximum people and completed

the task in the IT room being supervised by two psychologists. Before starting the

task, the instructions were presented on their computers.


each trial. Again, statistical analyses were performed using SPSS Statistics 24.0

package.

Power analysis

Given the mentioned relevance of the power of the study, a power analysis was

conducted with G*Power 3.1.9.4 (Faul, Erdfelder, Buchner & Lang, 2009) based on

the results of Santacreu and Quiroga (2016) since it is the one study using the CLT

The analysis indicated that with a desired power of 0.95 and an alpha level of 0.05,

a minimum sample size of 30 participants was sufficient to detect significant

differences. Although effect sizes are generally overestimated in the literature, the

number of participants in our study is vastly larger than the minimum required.

Thus, the study is sufficiently powered. Nevertheless, the sample and question of

Santacreu and Quiroga’s (2016) study was different from ours. Therefore, we did a

post-hoc power analysis.

4.2. Results

As in the first study, we firstly selected the participants who clicked on at

least one target figure in the first trial so they had the opportunity to learn. Twelve

people were excluded from the analyses after applying this filter. Therefore, the




198

control group was formed by eighty-four participants and the experimental group

by eighty-eight people.

In order to check whether our intervention worked by reducing the speed in

the experimental group, we firstly analysed the differences in the speed index

between the experimental and the control group. The results of the Independent

Samples T-test revealed significant differences between the two groups in the

average speed index executed during the task (t (86) = 17.63, p <.001, η² =.657, 1- β

= 1). The average speed index for the control group was 1.36 (SD = .43) clicks per

second, while the speed index for the experimental group was 0.53 (SD = .05) clicks

per second. This result meant that the experimental group was clicking slower than

the control group: the experimental group click on average every 1.89 seconds and

the control group do it every 0.74 seconds. Since eight t-test were run to compare

the speed index between the groups of each trial, we adjusted the alpha level

following the Bonferroni correction. The adjusted alpha level was 0,00625. The

significant differences were present in every trial since the speed limit was applied

during the whole task, however, the size of the differences increased gradually

during the task as the control group increased their speed (see Table 2). Therefore,

the speed limit had the expected effect on working speed. It is also remarkable the

high standard deviations in the control group in comparison with the experimental

group, meaning that the speed index of the participants of the control group was

very heterogeneous.


199

Table 2. Mean and Standard Deviation of the Speed Index by trial and condition and

Independent Samples T-test results.

Trial 1 Trial 2 Trial 3 Trial 4 Trial 5 Trial 6 Trial 7 Trial 8 Control group N = 84

Mean 1.07 1.33 1.29 1.39 1.44 1.49 1.42 1.45 SD 0.50 0.52 0.49 0.48 0.50 0.53 0.49 0.47

Experimental group N = 88

Mean 0.39 0.51 0.53 0.55 0.55 0.56 0.56 0.56 SD 0.07 0.10 0.08 0.07 0.06 0.06 0.06 0.06

t (84-88) 12.39 14.28 13.88 15.91 16.19 15.87 15.89 17.03 p .000 .000 .000 .000 .000 .000 .000 .000 η² 0.486 0.556 0.542 0.609 0.617 0.608 0.609 0.641

Afterwards, we analysed whether these differences in the speed index were

related to a higher average LI in the experimental group. The Independent Samples

T-test revealed significant differences between the two groups in the average

learning index obtained during the task (t (129) = -8.36, p <.001, η² =.298, 1- β = 1).

The control group achieved on average a LI of 0.69 (SD = .20) during the task and

the experimental group obtained on average an LI of 0.90 (SD = .09). Since eight t-

test were run, one for each trial, we adjusted the alpha level following the Bonferroni

correction. The adjusted alpha level was 0,00625. As can be seen in Table 3, there

were significant differences between the conditions in the level of learning achieved

since the first trial although these differences increased throughout the trials. Since

the speed limit was present since the first trial, differences in the level of learning

achieved appeared also since the beginning of the task. It is also remarkable the

differences on the average standard deviation of the two groups: the learning index

of the experimental group was more homogeneous than that of the control group.

This result means that the intervention decreased the differences in the learning

index of the participants.


200

Table 3. Mean and Standard Deviation of the Learning Index by trial and condition

and Independent Samples T-test results.

Trial 1 Trial 2 Trial 3 Trial 4 Trial 5 Trial 6 Trial 7 Trial 8 Control group N = 84

Mean 0.56 0.65 0.74 0.74 0.68 0.70 0.74 0.74 SD 0.22 0.23 0.24 0.24 0.26 0.23 0.23 0.23

Experimental group N = 88

Mean 0.69 0.82 0.92 0.95 0.95 0.92 0.95 0.97 SD 0.23 0.19 0.13 0.10 0.13 0.12 0.13 0.08

t (100-170) -3.66 -5.43 -6.15 -7.29 -8.40 -7.92 -7.25 -8.51 p .000 .000 .000 .000 .000 .000 .000 .000 η² 0.073 0.149 0.186 0.244 0.299 0.274 0.241 0.307

Besides, Figure 2 shows how these differences were not due to extreme

scores. Despite the existence of three participants in the experimental condition

who learned significantly less than the rest of the group, their presence does not

affect the results of any of the analysis. All the analyses have been repeated without

including these three participants and the results are similar to the ones showed in

this paper.

Figure 2. Boxplot showing error bars and outliers of Learning index by condition.

Secondly, we carried out two cluster analyses of profiles, one in the control

condition and one in the experimental condition (SPSS K-Means procedure) to


201

classify individuals in two groups based on the level of learning achieved during the

eight trials. The criteria for this statistical procedure was the same than in the first

study. The resulting cut-off between the learning groups was an average learning

index of .66. The analysis showed that in the control condition 54 participants

learned the target category, achieving a high LI (LI = .83, SD = .08) and 30

participants did not learn the target category, obtaining a low LI (LI =.46, SD = .11).

In the experimental condition, 85 participants learned the target category, achieving

a high LI (LI = .91, SD = .06) and only 3 participants did not learn the target category,

obtaining a low LI (LI =.52, SD = .12). In the control group, 36% of the participants

did not manage to learn the target categories. This percentage decreases to 3.4% in

those participants whose response speed was limited, i.e. in the experimental group.

As expected, the Chi-squared test revealed that there were significant differences in

distribution among the groups (χ² (1, N=172) = 71.88, p<.001), showing a relation

between the presence of the speed limit and the learning group to which one

belonged. Hence, in the experimental group, there was a higher proportion of people

who achieved a high LI than in the control group. Most of the participants (96%) in

the experimental group learned, in comparison with 64% of the participants in the

control group who achieved a high LI.

According to the second hypothesis, we analysed the speed index of these

groups throughout the trials. The low learning group (LLG) in the control condition

acted too fast, maintaining a speed index near to 2 clicks per second (𝑋𝑋� = 1.77, SD =

.46) (see Figure 3). By contrast, the high learning group (HLG) in the control

condition maintained a lower speed index (𝑋𝑋� = 1.13, SD =.16) despite not having any

limit. The Independent Samples T-test showed significant differences in the speed

index between these two groups of the control condition (t (33) = -7.44, p <.001,


202

η²=.516). On the other hand, as expected due to the speed limit, both groups in the

experimental condition maintained a low speed index near to 0.5 click per second,

lower than the maximum allowed (LLG: 𝑋𝑋� = .52, SD = .07; HLG: 𝑋𝑋� = .53, SD =.05; no

significant differences between them).

Figure 3. Average speed index by trials, learning groups and conditions.

0 1 2 3 4 5 6 7 8

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1.8

2.0

Spee

d In

dex

Trials

Control - HLG ( N = 54) Control - LLG ( N = 30) Exp - HLG ( N = 85) Exp - LLG ( N = 3 )

*Control-HLG: high learning group in control condition; Control-LLG: low learning group in control condition; Exp-HLG: high learning group in experimental condition; Exp-LLG: low learning group in experimental condition.

5. Discussion.

This study was to investigate the relation between response speed while

solving a task and learning. Specifically, we aimed to know whether an external

regulation of the response speed could foster learning for students who were not

able to self-regulate their response speed.

The preliminary research revealed that the response speed was highly

related to the level of learning achieved in a category learning task. In this study, the


203

students who achieved a high proportion of hits acted slower than the participants

who achieved a lower proportion of hits. In the CLT, the test-taker should click on

different figures, exploring the number of points associated which each figure. By

following this method, they could check different hypothesis: are the vegetables the

figures associated with the highest score? Are all living beings? Are just animals?

Which kind of animal? Hence, by clicking on the figures, they could learn the number

of points associated which each figure and then deduce the category associated with

the higher number of points, in this case, the mammals. It is not possible to know

certainly the learning process that the participants were following, but it is possible

to observe the result of this process, i.e. the number of target tokens that have been

clicked. Since participants in the HLG achieved a proportion of 86% correct answers

it is logical to think that they knew the classification criteria, they learnt which the

target category was. Participants in the LLG presumably did not have time enough

between each click to pay attention to the score obtained and associated it to each

figure, and then to deduce which was the target category. Despite that, they did not

decrease their speed. They did not self-regulate their behaviour: they did not self-

monitor or self-adjust their execution to be able to improve their learning index.

Some may argue that this behaviour is a result of a strategy for achieving points

instead of a deficit of self-regulation behaviours. Nevertheless, the proportion of

targets and the score differences between the figures make it worthless: learning is

the best path for achieving points. Moreover, during the task instructions, this fact

is highlighted: “There are some tokens that give more points than others. Some

tokens give you 9 points, other tokens only give you 3, 1 or none points. Since your

time is limited, in order to earn points, you should identify and click on the tokens

associated with the highest score”. In addition, another possible explanation could


204

be a lack of motivation. However, we consider that a lack of motivation would result

in a decreased number of clicks since the duration of the trials was fixed and the

participants did not get any benefit from clicking fast. Therefore, we consider that

the proportion of clicks on target tokens is a good measure given that no other

reason could explain clicking on non-target tokens having learned and that acting

too fast to learn is a sign of the absence of self-regulation behaviours.

As Schunk and Zimmerman (1994) stated, the act of monitoring one’s

performance to find signs of success or failure as well as the adaptation of the

strategies when are not useful is key for achieving superior learning. In our

preliminary research, it is clear how students who adopted an adequate response

speed achieved to learn while students who were not self-assessing or self-adjusting

their response speed were not able to learn the classification criteria.

Ramdass and Zimmerman (2011) indicated that during childhood there is an

external regulation from teachers. When students grow up, they start to integrate

these strategies and start to self-regulate. However, even at the university, many

students lack self-regulation strategies in the absence of an external agent (Peverly,

Brobst, Graham, & Shaw, 2003). In the preliminary research, several university

students did not self-regulate and did not learn the target category. Therefore, we

aimed at investigating whether an external regulation could help these students to

learn.

With this aim, a speed limit was applied to the experimental group in the

main study, aiming at promoting learning. The results showed that the speed limit

had the desired effect: students in the experimental group, on average, acted slower

and achieved a higher learning index than students in the control group. Hence, the


205

speed limit promoted learning. The effect size was large, especially compared with

those obtained in equivalent studies.

However, it should be noted that some people in the control group were able

to self-regulate without external control: they acted slowly and achieved a high

learning index. In contrast, approximately 40% of the control group acted too

quickly to learn without the speed limit. Therefore, not every student needs this

external control, as could be expected since university students formed the sample.

The external control seems to be only favourable for students who are not able to

self-regulate. Besides, it should be underlined that not every participant in the

experimental condition achieved a high learning index, moreover, there are three

people with a low learning index considered outliers. This fact is not surprising as

speed is not the unique factor that influences learning, there could be other variables

causing the lack of learning. It is worth stressing that self-regulated learning is not

just acting slowly but also adapting other strategies that are not being useful.

However, acting slowly could allow students to introduce some of these adaptive

strategies.

The results of the present study show the direct relation between regulation

of speed and learning, in line with those of Sitzmann and Ely (2011) and Stoeger and

Ziegel (2008). Many other researchers analyzed the relevance of self-regulation for

academic achievement as Zimmerman and Martinez-Pons (1986), Pintrich, Smith,

Garcia and McKeachie (1993), Britton and Tesser (1991), DiBenedetto and

Zimmerman (2010), Cleary and Chen (2009) or Dörrenbächer and Perels (2016).

Nevertheless, to our knowledge, none study has analyzed the direct relation

between learning and regulation behaviours in the same task, as ours does.

However, the conclusions of our research are in line with all the previous literature


206

that remarks the relation between self-regulation, time management, learning and

academic performance.

Our study showed that acting too fast impeded learning. Hence, we consider

that the results of our study might have implications in an applied context. These

results may be interpreted in a way that adapting the environment for some

students, for example, establishing the time that they are provided to solve each

exercise in an exam in order to decrease their speed while solving the exercises,

could be helpful for them. However, we consider that it is more important to train

these students to make them able to adapt themselves to the environment instead

of adapting the environment for them. In this way, Ramdass and Zimmerman (2011)

remarked the relevance of implementing self-regulation training programs since it

could be possible to increase the frequency of self-regulation behaviours, what is a

key element for academic success. The present study sheds light on how some

students could be not having trouble at academic spheres because being unable to

self-regulate their speed while solving the tasks. This result could be used to

propose training programs to promote self-regulation of response speed. In this

regard, in future studies, it would be interesting to check if after completing several

tasks with a speed limit, the test-takers start to self-regulate their speed in another

task. In addition, the instructions and/or the feedback of the task could encourage

them to self-regulate their speed.

Concerning the conception of self-regulation, this work showed how the

environment, in this case, the characteristics of the task, influenced self-regulated

learning. Besides, the CLT is a test that assessed actual self-regulated behaviours

while solving the task. Therefore, the approach of this study could be related to the

conception of self-regulation as an event, an individual’s performance in a specific


207

moment and task. However, as Winne and Perry (2000) proposed, we consider that

it is possible to conceive self-regulation as an aptitude at the same time. We expect

that students who acted too fast to learn in the CLT will act similarly when solving

other tasks. In addition, as explained above, we consider that training self-regulation

is possible. Hence, the approach of this paper is similar to the one raised by Winne

and Perry (2000).

Furthermore, it is remarkable the advantages of objective tests. The CLT has

provided information about each click that each participant did, so made it possible

to know the number of hits and mistakes but also the response speed, turning out to

be a relevant variable related to learning. Therefore, it is possible to assess the actual

behaviours of a student instead of just counting on the estimations that the student

makes about his/her usual behaviour. This is becoming more important since Winne

and Jamieson-Noel (2002) revealed that self-reports are often inconsistent with

records of actual self-regulation processes and several authors have questioned the

validity of self-report measures to assess self-regulation and other psychological

variables (Crombach, Boekaerts & Voeten, 2003; Veenman, Prins & Verheij, 2003;

Veenman, 2011; Winne & Jamieson-Noel, 2002; Winne & Perry, 2000). In addition,

as Turner (1995) stated, using direct observations of performance allows the

analysis of the influence of task factors. Actually, because of being able to introduce

a speed limit, it has been possible to value the influence of response speed on

learning. Besides, modifying other characteristics of the CLT such as the instructions

or the feedback would make it possible to value the influence of these factors in self-

regulated learning.


208

There are some limits to this study. On the one hand, we consider that the

time of speed limit applied was too long to our goal. We intended the experimental

group to perform at a similar speed than the HLG in the first study, approximately

clicking one token per second. In contrast, due to the speed limit, the experimental

group ended up acting too slow, clicking about one token each two seconds, lower

than necessary.

In addition, the main study does not count with a pre-test that ensures that

the post-test results were significant controlling for the pre-test. This was not

possible because as the CLT is a learning task, applying it twice could introduce some

source of bias. Nevertheless, since the assignment to the conditions was randomized

and the participants had no prior contact with the task, we could expect previous

test scores to be similar.

6. Conclusion.

As a conclusion, it should be noted that the response speed is highly relevant

for learning. Besides, external regulation of the response speed could promote

learning to the students who do not self-regulate their response speed.

Nevertheless, this result should be interpreted in a way that training self-regulation,

especially of the response speed, might be beneficial for some students even at

university. Moreover, the utility of objective test such as the CLT to assess self-

regulation behaviours and their relation to learning is manifest.


209

Conflict of interest statement

On behalf of all authors, the corresponding author states that there is no conflict of

interest.

7. References.


and occupational functioning in hyperactive children as adults: Self-reported

executive function (EF) deficits versus EF tests. Developmental

neuropsychology, 36(2), 137-161. doi:10.1080/87565641.2010.549877


they evolved. New York: The Guilford Press.

Bellhäuser, H., Lösch, T., Winter, C., & Schmitz, B. (2016). Applying a web-based

training to foster self-regulated learning—Effects of an intervention for large

numbers of participants. The Internet and Higher Education, 31, 87-100.

doi:10.1016/j.iheduc.2016.07.002

Boekaerts M. (2011). Emotions, emotion regulation, and self-regulation of learning.

In B. J. Zimmerman, & D. H. Schunk (Eds.), Handbook of Self-Regulation of

Learning and Performance (pp. 408-425). New York: Routledge.



doi:10.1037/0022-0663.83.3.405



210

Cazan, A. M. (2013). Teaching self regulated learning strategies for psychology

students. Procedia-Social and Behavioural Sciences, 78, 743-747.

doi:10.1016/j.sbspro.2013.04.387

Cattell, R. B. (1946). Description and measurement of personality. New York: World

Book.

Cleary, T. J., & Chen, P. P. (2009). Self-regulation, motivation, and math achievement

in middle school: Variations across grade level and math context. Journal of

school psychology, 47(5), 291-314. doi:10.1016/j.jsp.2009.04.002

Cleary, T. J., Callan, G. L., & Zimmerman, B. J. (2012). Assessing self-regulation as a

cyclical, context-specific phenomenon: Overview and analysis of SRL

microanalytic protocols. Education Research International, 1–19.

doi:10.1155/2012/428639

Crombach, M. J., Boekaerts, M., & Voeten, M. J. (2003). Online measurement of

appraisals of students faced with curricular tasks. Educational and

psychological measurement, 63(1), 96-111.

doi:10.1177/0013164402239319

Díaz, S. P., & Fernández, S. P. (2003). Cálculo del poder estadístico de un estudio. Cad

Atención Primaria, 10, 59-63. Retrieved from

https://www.fisterra.com/mbe/investiga/poder_estadistico/poder_estadis

tico2.pdf

DiBenedetto, M. K., & Zimmerman, B. J. (2010). Differences in self-regulatory

processes among students studying science: A microanalytic

investigation. The International Journal of Educational and Psychological


211

Assessment, 5(1), 2-24. Retrieved from

https://www.researchgate.net/publication/284604049_Differences_in_self

-

regulatory_processes_among_students_studying_science_A_microanalytic_in

vestigation

Dignath, C., Buettner, G., & Langfeldt, H. P. (2008). How can primary school students

learn self-regulated learning strategies most effectively?: A meta-analysis on

self-regulation training programmes. Educational Research Review, 3(2),

101-129. doi:10.1016/j.edurev.2008.02.003

Dinsmore, D. L., Alexander, P. A., & Loughlin, S. M. (2008). Focusing the conceptual

lens on metacognition, self-regulation, and self-regulated

learning. Educational Psychology Review, 20(4), 391-409.

doi:10.1007/s10648-008-9083-6

Efklides, A. (2011). Interactions of metacognition with motivation and affect in self-

regulated learning: The MASRL model. Educational psychologist, 46(1), 6-25.

doi:10.1080/00461520.2011.538645

Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses

using G* Power 3.1: Tests for correlation and regression analyses. Behaviour

research methods, 41(4), 1149-1160. doi: 10.3758/BRM.41.4.1149

Hadwin A. F., Järvelä S., Miller M. (2011). Self-regulated, co-regulated, and socially

shared regulation of learning. In B. J. Zimmerman & D. H. Schunk

(Eds.), Handbook of Self-Regulation of Learning and Performance (pp. 65-84).

New York: Routledge.


212

Hattie, J., Biggs, J., & Purdie, N. (1996). Effects of learning skills interventions on

student learning: A meta-analysis. Review of Educational Research, 66(2),

99–136. doi:10.3102/00346543066002099.



P. L. Harrison (Eds.), Contemporary Intellectual Assessment: Theories, Tests,

and Issues (pp. 120-135). New York: The Guilford Press.

Núñez, J.C.; González-Pienda, J.A.; Carbonero, M.A. & Crespo, M.T. (1998).

Dificultades de Aprendizaje Escolar. In J.A. González-Pienda & J.C. Núñez

(coord.), Dificultades de Aprendizaje Escolar (pp. 45-65). Madrid: Pirámide.

OECD (2016). PISA 2015 Results in Focus. Paris: OECD Publishing. Retrieved from

https://www.oecd-ilibrary.org/education/pisa-2015-results-in-

focus_aa9237e6-en

Ortner, T. M., & Proyer, R. T. (2015). Objective Personality Tests. In T. M. Ortner & F.

J. R. Van de Vijver (Eds.), Behaviour-based assessment in psychology (pp. 133-

149). Göttingen, Germany: Hogrefe.

Ortner, T. M., & Proyer, R. T. (2018). Behavioural and performance measures of

personality. Encyclopedia of Personality and Individual Differences, 1-6.

doi:10.1007/978-3-319-28099-8_1281-1

Ortner, T. M. & Schmitt, M. (2014). Advances and continuing challenges in objective

personality testing. European Journal of Psychological Assessment, 30, 163-

168. doi:10.1027/1015-5759/a000213


213

Panadero, E. (2017). A review of self-regulated learning: six models and four

directions for research. Frontiers in psychology, 8, 422-450.

doi:10.3389/fpsyg.2017.00422

Perry, N. E. (1998). Young children's self-regulated learning and contexts that

support it. Journal of educational psychology, 90(4), 715-729.

doi:10.1037/0022-0663.90.4.715

Peverly, S. T., Brobst, K. E., Graham, M., & Shaw, R. (2003). College adults are not

good at self-regulation: A study on the relationship of self-regulation, note

taking, and test taking. Journal of Educational Psychology, 95(2), 335–346.

doi:10.1037/0022-0663.95.2.335.

Pintrich P. R. (2000). The role of goal orientation in self-regulated learning. In M.

Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of Self-Regulation

(pp. 452-502.). San Diego: Academic Press.



(MSLQ). Educational and psychological measurement, 53(3), 801-813.

doi:10.1177/0013164493053003024


Shih, P. (2011). Evaluación Informatizada de la Atención para Niños de 7 a 11

Años: El DiViSA-UAM y el TACI-UAM [Computerized Assessment of Attention

for Children from 7 to 11 Years Old: DiViSA-UAM and TACI-UAM]. Clínica y

Salud, 22(1), 3-20. doi:10.5093/cl2011v22n1a1


214

Ramdass, D., & Zimmerman, B. J. (2011). Developing self-regulation skills: The

important role of homework. Journal of advanced academics, 22(2), 194-218.

doi:10.1177/1932202X1102200202

Roth, A., Ogrin, S., & Schmitz, B. (2016). Assessing self-regulated learning in higher

education: a systematic literature review of self-report

instruments. Educational Assessment, Evaluation and Accountability, 28(3),

225-250. doi:10.1007/s11092-015-9229-2

Rosário, P., Núñez Perez, J. C., González-Pienda, J. A., Almeida, L. S., Soares, S., & Rubio,

M. (2005). El aprendizaje escolar examinado desde la perspectiva del

«Modelo 3P» de J. Biggs. Psicothema, 17(1), 20-30. Retrieved from


Trueman, M., & Hartley, J. (1996). A comparison between the time-management

skills and academic performance of mature and traditional-entry university

students. Higher Education, 32(2), 199-215. doi:10.1007/BF00138396



175-181. doi:10.1016/j.lindif.2016.07.020



53-68. Retrieved from

https://www.academia.edu/9258844/The_objective_assessment_of_person

ality_Cattellss_T-data_revisited_and_more1

https://www.academia.edu/9258844/The_objective_assessment_of_personality_Cattellss_T-data_revisited_and_more1

https://www.academia.edu/9258844/The_objective_assessment_of_personality_Cattellss_T-data_revisited_and_more1


215

Santostefano, S. (1960). An exploration of performance measures of personality.

Journal of clinical psychology, 16, 373-377. doi:10.1002/1097-

4679(196010)16:4<373::AID-JCLP2270160407>3.0.CO;2-W

Schunk, D. H. (1994). Self-regulation of self-efficacy and attributions in academic

settings. In D. H. Schunk & B. J. Zimmerman (Eds.), Self-regulation of learning

and performance: Issues and educational applications (pp. 75-99). Hillsdale,

NJ, US: Lawrence Erlbaum Associates, Inc.

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

research, and applications (3rd ed.). Upper Saddle River, NJ: Pearson

Education Inc.

Schunk, D. H., & Zimmerman, B. J. (Eds.). (1994). Self-regulation of learning and

performance: Issues and educational applications. Hillsdale: Lawrence

Erlbaum Associates, Inc.

Schunk, D. H., & Zimmerman, B. J. (Eds.). (1998). Self-regulated learning:

From teaching to self-reflective practice. New York: The Guilford Press.

Schunk, D. H., & Zimmerman, B. J. (2003). Self-regulation and learning. In W. M.

Reynolds & G. E. Miller (Eds.), Handbook of psychology: Educational

psychology, Vol. 7, (pp. 59-78). Hoboken, NJ, US: John Wiley & Sons Inc.


sessions in self-regulated learning: Time-series analyses of diary

data. Contemporary Educational Psychology, 31(1), 64-96.

doi:10.1016/j.cedpsych.2005.02.002


216

Sitzmann, T., & Ely, K. (2011). A meta-analysis of self-regulated learning in work-

related training and educational attainment: What we know and where we

need to go. Psychological Bulletin, 137(3), 421–442. doi: 10.1037/a0022777

Stoeger, H., & Ziegler, A. (2005). Evaluation of an Elementary Classroom Self-

Regulated Learning Program for Gifted Mathematics Underachievers.

International Education Journal, 6(2), 261-271. Retrieved from

https://www.researchgate.net/publication/237425296_Evaluation_of_an_e

lementary_classroom_self-

regulated_learning_program_for_gifted_mathematics_underachievers

Stoeger, H., & Ziegler, A. (2008). Evaluation of a classroom based training to improve

self-regulation in time management tasks during homework activities with

fourth graders. Metacognition and Learning, 3(3), 207-230.

doi:10.1007/s11409-008-9027-z

Turner, J. C. (1995). The influence of classroom contexts on young children's

motivation for literacy. Reading Research Quarterly, 410-441.

doi:10.2307/747624

Veenman, M. V. (2011). Alternative assessment of strategy use with self-report

instruments: A discussion. Metacognition and learning, 6(2), 205-211.

doi:10.1007/s11409-011-9080-x

Veenman, M. V., Prins, F. J., & Verheij, J. (2003). Learning styles: Self-reports versus

thinking-aloud measures. British Journal of Educational Psychology, 73(3),

357-372. doi:10.1348/000709903322275885

https://psycnet.apa.org/doi/10.1037/a0022777


217

Winne, P. H., & Jamieson-Noel, D. (2002). Exploring students’ calibration of self

reports about study tactics and achievement. Contemporary Educational

Psychology, 27(4), 551-572. doi:10.1016/S0361-476X(02)00006-1

Winne P. H. (2011). A cognitive and metacognitive analysis of self-regulated

learning. In B. J. Zimmerman & D. H. Schunk (Eds.), Handbook of Self-

Regulation of Learning and Performance (pp. 15-32). New York: Routledge.

Winne, P. H., & Perry, N. E. (2000). Measuring self-regulated learning. In In M.


(pp. 513-566). San Diego: Academic Press.

Wirth, J., & Leutner, D. (2008). Self-regulated learning as a competence: Implications

of theoretical models for assessment methods. Zeitschrift für

Psychologie/Journal of Psychology, 216(2), 102-110. doi:10.1027/0044-

3409.216.2.102

Zimmerman, B. J. (2000). Attaining self-regulation: a social cognitive perspective.

In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of Self-

Regulation (pp. 13–40). San Diego: Academic Press. doi:10.1016/b978-

012109890-2/50031-7


into practice, 41(2), 64-70. doi:10.1207/s15430421tip4102_2

Zimmerman, B. J. (2008). Investigating self-regulation and motivation: Historical

background, methodological developments, and future prospects. American

Educational Research Journal, 45(1), 166-183.

doi:10.3102/0002831207312909


218

Zimmerman, B. J., & Pons, M. M. (1986). Development of a structured interview for

assessing student use of self-regulated learning strategies. American


doi:10.3102/00028312023004614

Chapter 8: Fourth study. Self-regulation of response speed: a key for learning.

221

CHAPTER 8:

Fourth study. Self-regulation of response speed: a

key for learning.

1. Abstract.

The self-directed process of planning, monitoring, and adapting one’s behaviour

to achieve certain goals has been called self-regulation. Several studies have showed

that self-regulation is positively related with academic performance and learning.

Casadevante, Romero, and colleagues (2021) used a computerized test and found

that self-regulation of response speed was related to better performance in a

category learning task. The present study aims at analysing whether this relation

between self-regulation of response speed and learning also exists in an associative

learning task. Therefore, the Treasure Forest, a computerized associative learning

task, was developed ad hoc. A first study was conducted with 86 university students

to assess the relation between response speed and learning. Results showed that

participants who self-regulated their response speed learned more than their mates

who acted faster and did not adapt their speed (t (83) = 8.898, p < .001, η² = .672).

A second study with university students was conducted to analyse the influence on

learning of an external speed regulation. The intervention group was prevented

from clicking more than one click per second (N = 99) while the control group (N =

85) acted without restrictions. The intervention group achieved a higher learning

index than the control group, who acted faster (t (160) = 4.828, p < .001, η² =.117).


222

Hence, regulation of response speed was relevant for associative learning. Training

self-regulation of response speed may improve learning and academic performance.

Keywords: self-regulation, learning, response speed, objective test, associative

learning

2. Introduction.

Self-regulation has been defined as the self-directed process of planning,

monitoring, and adapting one’s behaviour to achieve certain goals. It has been

demonstrated to be positively related with academic performance and learning.

Nevertheless, the measurement of this process is still a matter for further

investigation. Results obtained using self-reports are not always related to results

obtained through other measures. Casadevante, Romero, and colleagues (2021)

assessed university students using the Category Learning Test (CLT), a

computerized test that records the test-takers’ behaviour. They found that students

who self-regulated their response speed learned more than their mates did.

Moreover, another study showed that some children aged 6 years old who also self-

regulated their response speed learned more than some university students did

(Casadevante et al., 2019). The present study aims at studying this relation between

self-regulation of response speed and learning in a different learning task, in order

to verify the relevance of speed regulation in diverse learning processes. To

guarantee that the objective measures standards were fulfilled, a new computerized

behavioural test based on associative learning was created ad hoc.


223

Self-Regulated Learning

In recent decades, many authors analysing students’ academic difficulties

have focused their research on factors related to self-regulation (Heirweg et al.,

2019). Multiple approaches, theoretical models, and definitions about self-

regulation have arisen, but no consensus or single model has been reached (e.g.,

Boekaerts & Corno, 2005; Efklides, 2011; Hadwin et al., 2011; Pintrich, 2004; Winne,

2011, Zimmerman, 2002, Zeidner et al., 2000).

One of the most prominent authors in this field has been Zimmerman (2002),

who defined self-regulation as a self-directed process whereby learners control

their thoughts, emotions, and actions to achieve his or her academic goals. When

students self-regulate, they plan, adjust, and direct their learning process,

monitoring time and adapting effort, concentration, and behaviour (Torrano &

González, 2004).

Several models coincide in pointing out the presence of different phases

within the self-regulatory process. The first phase is usually referred to as

“foresight” and consists of anticipating and planning the optimal future execution.

The second phase could be denominated “performance” and occurs while the task is

being solved. In this phase, the execution is supervised, evaluated, controlled, and

adapted. The third phase involves self-reflection or self-evaluation once the task is

finished (Zimmerman, 2000). Pintrich (2000) pointed out the relevance of self-

supervision during the whole process, given that the student should be aware of

several variables such as the time use, the convenience of adapting the behaviour,

or the need for help. Only when discrepancies between goals and experiences are

detected would it be possible to change tactics and patterns (Winne, 2019). Thus, in


224

the performance phase, it will be possible to increase or reduce effort, to persist, to

seek help, etc., that is, to adapt one’s execution to achieve the desired goals. The

effective behaviours for learning depend on the context and the task and may even

change in the course of the same task, so the student should evaluate the need for

change (Aleven et al., 2010; Greene & Azevedo, 2010; Winne, 2010). Van

Merriënboer and de Bruin (2019) also highlighted the importance of monitoring and

controlling, describing self-regulated learning as a cycle in which these two

complementary processes occur continuously.

Self-regulated learning (SLR), the self-regulation of the learning process, is

key for achieving successful performance. In experimental and laboratory designs

there seems to be a relation between SLR and execution in different tasks (Heirweg

et al., 2019; Musso et al., 2019; Sitzmann & Ely, 2011). Moreover, different studies

have proved the relation between the use of SRL and academic achievement at

different educational stages (Britton & Tesser, 1991; Cleary & Chen, 2009;

DiBenedetto & Zimmerman, 2010; Dörrenbächer & Perels, 2016; Duckworth &

Seligman, 2005; Pintrich & De Groot, 1990; Pintrich et al., 1993; von Suchodoletz et

al., 2009; Wolters, 2010; Zimmerman & Martinez-Pons, 1986).

Nevertheless, despite the fact that SRL promotes successful learning,

students do not always use these learning strategies autonomously (Berthold et al.,

2007; Kauffman, 2004). Actually, many students still struggle to regulate their

learning by themselves (Heirweg et al., 2019). This is to be expected at earlier

academic stages, when students are still developing their self-regulation skills.

During the school years, teachers play a fundamental role in regulating students’

learning by setting goals, managing their time while solving tasks, administering


225

homework, etc. Then, when students move on to the next grades, teachers gradually

reduce their help and expect students to incorporate these self-regulatory processes

(Ramdass & Zimmerman, 2011). However, even in college, many students lack self-

regulatory strategies (Berthold et al., 2007; Cazan, 2013; Heirweg et al., 2019).

Fortunately, SRL can be fostered through adequate training (Torrano &

González, 2004). The goal of the training is to turn the student into the active agent

of the implementation of learning strategies, rather than being dependent on the

teachers’ support (Onrubia, 1996). Torrano and González (2004) highlighted that

the practice on learning strategies should be guided firstly and afterward be

autonomous, but counting on the teacher’s feedback. Hence, this training entails a

gradual transition from external regulation to self-regulation. Additionally, various

studies have showed that implementing instructional techniques in the classroom

can foster SRL (Dignath et al., 2008; Dignath & Büttner, 2008; Perry et al., 2004;

Kistner et al., 2010; Malmberg et al., 2013; Sonnenberg & Bannert, 2019).

Moreover, several researchers have aimed to promote SLR by using

computerized technologies, given that technologies can offer the opportunity to

stimulate the development of SRL skills (Manganello et al., 2019). These authors

have demonstrated the effectiveness of web-enhanced active learning on helping

students to manage their learning progress. Similarly, Loeffler and colleagues

(2019) used a computerized tool that provided a personalized tutorial and feedback

about their learning strategies to each student on their mobile phones. This

intervention encouraged the use of strategies in the students. Núňez et al. (2011)

employed a Moodle format to encourage the use of learning strategies, and the


226

intervention group increased deep processing while reducing the application of

surface learning strategies and improved academic achievement.

These studies have supported the positive influence of self-regulation on

learning and performance; identified deficits in students who do not regulate their

learning; and proved the usefulness of self-regulation training. Nevertheless, further

research is needed on ways to promote self-regulation among students.

Measuring Self-Regulation

The measurement of self-regulation has been addressed from different

approaches, and it is still a matter for further research. Given the predominance of

self-reports in the psychological tradition, numerous self-report-based measures

have been created to assess self-regulation (Cleary et al., 2012; Roth et al., 2016,

Torrano & González, 2004; Winne & Azevedo, 2014). Some of them consist of classic

examples of questionnaires in which the participant informs about the extent to

which he or she tends to self-regulate learning. Some examples are the Components

of Self-Regulated Learning (CSRL; Niemivirta, 1998), the Learning and Study

Strategies Inventory (LASSI; Weinstein et al., 1987), and the Motivated Strategies

for Learning Questionnaire (MSLQ; Pintrich et al., 1991). In addition, some

researchers use protocols known as think aloud, where the student is trained to

express his or her thoughts aloud to get access to mental processes. Then the test

taker attempts to solve a task while verbalizing the triggered cognitive processes

(Greene et al., 2011).


227

Nevertheless, self-reports suffer from many deficiencies (Ortner & Proyer,

2015). Measures based on self-report record what the person remembers or

considers that they usually do rather than their actual behaviour (Pajares, 2002;

Santacreu et al., 2006). Several researchers have noted the number of mistakes that

people make when estimating their own performance (Pawlick, 1985; Veenman,

2011). Additionally, some authors have pointed out that there are cognitive

processes that are difficult to access consciously and therefore to be reported

(Núñez et al., 2006). On the other hand, the well-known effect of social desirability

can lead people to try to present themselves in a more favourable light than their

actual actions would indicate (Romero et al., 2019). Finally, the tendency to

acquiescence, that is, the tendency to agree with items regardless of their content,

could also bias the assessment (Edwards, 1957; McDonald, 2008). In the field of self-

regulation, the same problems occur. Winne and Jamieson-Noel (2002) reported

that self-reports are often inconsistent with behavioural measures of self-regulatory

processes. When assessed by self-reports, students tend to overestimate their self-

regulation skills (Boekaerts & Corno, 2005; Cromley & Azevedo, 2006). For these

reasons, numerous authors have expressed doubts and concerns about the

widespread use of self-reports in psychology, and specifically in the assessment of

self-regulation (Crombach et al., 2003; Dinsmore et al., 2008; Veenman et al., 2003;

Winne & Perry, 2000; Winne & Jamieson-Noel, 2002).

As a result, many authors have highlighted the need to approach the

measurement of self-regulatory processes from perspectives other than the self-

report tradition (Torrano & González, 2004; Winne & Perry, 2000). Some

researchers have proposed and tested some self-regulatory measures alternative to

self-reports, supported by advances in technology (Azevedo & Gašević, 2019). Direct


228

observation of behaviour, eye tracking, screen recordings, and log-file registration

are measures employed to assess self-regulation (Azevedo & Gašević, 2019; Loeffler

et al., 2019).

These new measures, which are not dependent on the self-report of the test

taker or the evaluator, have multiple advantages. First, these measures record the

student’s behaviour as it actually occurs, rather than evaluating what the student

considers and remembers. In addition, the record allows the observation of

behavioural variations over time (Greene & Azevedo, 2010). In addition, there is no

disturbance or interruption for the individual being assessed, since there is no need

to verbalize or report information while attempting to solve the task as required by

think-aloud protocols (Greene et al., 2011, Jamieson-Noel & Winne, 2003).

Moreover, it is possible to assess the influence of different factors of tasks and

context on self-regulatory behaviours (Torrano & González, 2004).

Casadevante, Romero, et al. (2021) used an example of behavioural objective

task, the Category Learning Test (CLT; Quiroga Estévez et al., 2011) to assess

university students’ self-regulated behaviours. Surprisingly, one-third of the sample

did not learn in a simple category learning task. This group acted too fast and

disorganized to learn, compared to their peers who acted slowly and thoroughly.

However, by adding four extra trials, some students in the low-learning group

started to self-regulate, slowing down and increasing their organization index. This

behavioural change was associated with a significant increase in their learning.

Therefore, the study showed the relevance of response speed and its regulation for

learning. Subsequently, Casadevante, Ortner, and colleagues (2021) studied the

effect of an intervention to externally regulate response speed. They compared the


229

performance in the CLT of two groups: the intervention and the control group. The

first group attempted to solve the task with a response speed limit managed by

disabling the mouse. The speed limitation had significant effects: the intervention

group achieved a significantly higher index than the control group. Nevertheless, it

should be noted that in the control group there were several students who self-

regulated their speed and achieved a high learning index. The authors concluded

that external regulation could help students who do not self-regulate to learn. The

use of this objective task made it possible to record the temporal variations in the

learners’ execution and therefore to analyse the relation between self-regulation

and learning.

The Aim of the Present Work

The goal of the present study was to check whether the relation between self-

regulation of speed and learning is also present in a task that implies a different

learning process than category learning. Therefore, the studies of Casadevante,

Romero, et al. (2021) and Casadevante, Ortner, et al. (2021) were replicated

employing a different learning task. A simple associative learning task called the

Treasure Forest, which is described in the method section, was created ad hoc.

Hence, the relevance of response speed could be demonstrated not only for category

learning but also for simpler learnings.

Using this task, in a first study a sample of university students was assessed

to check whether response speed and its self-regulation were associated to

performance in the task. Our first hypothesis was that students who learned would

act slower than students who did not learn. On the other hand, we expected that


230

some students who had not learned during the first half of the task would start to

self-regulate in the last trials, and consequently to increase their learning.

Additionally, we conducted a second study to implement an external

regulation of speed, as Casadevante, Ortner, et al. (2021) did, and to analyse its

effects on associative learning. The sample was divided into an intervention and

control group. For the intervention group, the mouse was deactivated for 1 second

after each click to prevent the participant from acting too fast. Our hypothesis stated

that the intervention group would inevitably act slower than the control group, and

therefore, on average, their learning index would be higher than for the control

group. Moreover, we expected that the control group would have a greater number

of participants who did not learn than in the intervention group.

Through these two studies, we analysed whether the relationship between

regulation—both self-regulation and external regulation—of response speed and

learning exists in an associative learning task. If so, the present study will reinforce

the previous literature, revealing the relevance of response speed regulation for

learning.

3. STUDY 1

3.1. Method

Participants

Eighty-six undergraduates enrolled in a psychology degree program in a

public university in Spain volunteered for course credit to complete an assessment

procedure. Of the participants, 38 were in the first year (44.19%), 33 were in the


231

second year (38.37%), 14 were in the third year (16.28%), and one was in the last

year (1.1%). They were aged between 18 and 27, and the average age of the

participants was 19.81 years (SD = 1.47). Participants included 74 women and 12

men.

Materials

The participants completed the Treasure Forest, a new computerized task

created for this research. The Treasure Forest is an associative learning task, in

which participants are required to search for and click on target trees for gaining

coins. With this aim, the test taker should explore to identify, learn, and remember

which type of tree is associated with the coins.

This task consisted of 12 trials, each one lasting 10 seconds. Although each

participant completed the 12 trials, the last four trials were considered as extra

trials to make it similar to the CLT (Casadevante, Romero, et al., 2021). Each trial

consisted of a 16 by 16 matrix (256 squares), on which 70 different figures

representing six different types of trees were displayed simultaneously. The

distribution of the figures over the screen was different in every trial. When the

participant clicked on a target tree, that tree disappeared and the screen

immediately showed a coin “under” the tree. If a nontarget tree was selected, the

tree disappeared but no coin appeared. This matrix contained 20 target tokens

featuring two different trees and 50 nontarget tokens featuring four other types of

trees. All the figures were the same size and colour. Task instructions informed test

takers that the aim was to identify and click on the figures associated with the coins

to get the highest prize.


232

Figure 1 depicts a Treasure Forest item illustrating the screen displaying

some coins earned after clicking on the target tokens. Some nontarget tokens have

disappeared after having been selected. The timer was present during the execution

of every item, on the right side of the screen.

Figure 1

Example of a Treasure Forest Item in Which Three Target Tokens Have Been Selected

The test registers the click type i.e. which figure was clicked on and the time

(milliseconds) when the click occurred.

Variables

The following variables were obtained for each trial:

• Hits: H, the number of target tokens clicked on.

• Nonoptimal responses: NOR, the number of clicks on nontarget tokens.

• Learning Index: LI, the ratio of hits to the total number of clicks.

• Response speed: the number of clicks per second.


233

Procedure

Student volunteers who wanted to participate in the study earned course

credit, but they could achieve this credit in other ways. Depending on the day and

hour that they chose to participate, they were assigned to the control or intervention

group. Nevertheless, they did not know about the existence of different groups. At

the start of the study, the participants were just briefly informed about the study,

avoiding biasing the results. They were told that the procedure aimed at assessing

different competences. They signed an informed consent document to participate in

the investigation. After the assessment, they were fully informed about the study.

Participants completed the task in an information technology room being

supervised by two psychologists. Before starting the task, they read the instructions

on their computers.

Once the data were recorded, each participants’ scores were calculated for

each trial. Statistical analysis were performed using the SPSS Statistics 25.0 package.

Power analysis

A power analysis was conducted with G*Power 3.1.9.4 (Faul et al., 2009)

based on the results of Casadevante, Romero, et al. (2021), since it is the one study

analysing the influence of speed response on learning through a computerized

behavioural task. The analysis indicated that, given a desired power of 0.95 and an

alpha level of 0.05, a minimum sample size of 26 participants was sufficient to detect

a difference. Thus, the study is sufficiently powered.


234

3.2. Results

Firstly, we checked that the new task, the Treasure Forest, fulfilled the

psychometric properties standards. The first step was to explore the variability of

the outcomes. We calculated the mean of the main index, the LI, in the first eight

trials. Data of the four extra trials were not considered in these analyses. The test

produced a huge range of values, from 0.19 to 0.97, with 0 the minimum possible

and 1 the maximum. Therefore, it seems that the test was able to discriminate

different values in the assessed variable. The distribution of the variable was

bimodal. There was a great number of participants achieving scores from 0.6 to 1,

that is, a high LI. Nevertheless, another group of participants had scores between 0.1

and 0.35, equal to the proportion of hits expected by chance. The variable shows a

significant deviation from normality (Kolmogorov–Smirnov normality test; p <

.001).

The values of Cronbach’s alpha coefficient for the first eight trials were

calculated to verify the internal consistency of responses in the task. The Cronbach’s

alpha for LI was .957, indicating high internal consistency.

Once the test properties were tested, we studied the participants’

performance. First, we analysed whether the whole sample learned across the eight

trials, so the average LI for each trial was calculated. The LI increased from 0.49 to

0.76; hence, the sample as a whole learned during the task (Figure 2). Nevertheless,

the standard deviations were high in the eight trials (SD = .24, .29, .29, .29, .29, .29,

.28, and .28, respectively).


235

Figure 2

Average LI Scores in the First Eight Trials

0 1 2 3 4 5 6 7 80.0

0.2

0.4

0.6

0.8

1.0

Lear

ning

inde

x

Trials Whole sample (N=86)

Therefore, we carried out three cluster analyses of profiles (SPSS K-Means

procedure) to identify whether there were two, three, or four differentiated groups

with distinct modes of learning. The analysis was based on the LI of the eight first

trials. There were two criteria used to choose the number of conglomerates: (a)

based on the dendrogram obtained by the hierarchical cluster analysis, each

conglomerate should be homogeneous, but at the same time the optimal solution

should include the least number of groups; and (b) the clusters, i.e. the learning

profiles in this case, should be theoretically sound. In this case, the optimal solution

was to divide the sample into two groups. Figure 3 shows the resulting learning

curves along the trials of both groups. The first group was formed by 64 participants

who learned during the task (high learning group, HLG). Their LI increased from

0.56 to 0.9 across the trials, obtaining an average LI of 0.82. On the other hand, 22

university students did not learn during the task, maintaining their LI below 0.36 in


236

all the trials and obtaining an average LI of 0.31 (low learning group, LLG). The

independent samples T-test showed significant differences in the average LI of the

first eight trials between the groups (t (83) = - 20.185, p <.001, η² = .831).

Our first hypothesis was that those participants who learned would respond

more slowly than the ones who did not learn. Indeed, results showed significant

differences in the average speed index between the group (t (83) = 8.898, p <.001,

η² = .672). The HLG’s average speed during the first eight trials was 1.27 clicks per

second, whereas that for the LLG was 2.29 clicks per second.

Figure 3

Average Learning Index scores in the first eight trials for each learning group.

0 1 2 3 4 5 6 7 8 90.0

0.2

0.4

0.6

0.8

1.0

1.2

Lear

ning

Inde

x

Trials Low Learning Group (N=22) High Learing Group (N=64)

In addition, we expected that during the four extra trials some students in the

LLG would start to self-regulate, decreasing their speed and hence increasing their

LI. To examine this question, we carried out a second cluster procedure, including


237

only LLG participants. The analysis was based on the speed index of the four extra

trials, and the criteria were the same as for the previous cluster analysis. We found

two differentiated groups: the first one consisted of 12 students who decreased their

speed by the second half of the task. On the other hand, 10 students maintained a

high speed index during the 12 trials. For the first group, the paired samples T-test

showed significant differences between the speed index in the first eight trials and

the speed index in the four extra trials (t (11) = 2.325, p < .05, d = .721). By contrast,

the second group did not show significant differences between these speed indexes.

These data indicated that 12 students of the LLG adapted their response speed by

the second half of the task whereas 10 students kept acting at the same speed. To

check whether this speed change resulted in an increase in the LI, we carried out a

paired samples T-test, comparing the LI of the first eight trials to the LI of the four

extra trials for the group of participants who adapted their speed. The results

showed a significant enhancement of their LI, increasing from 0.33 in the first eight

trials to 0.55 in the last extra trial (t (11) = -3.057, p <.05, d = 1.571). In contrast, the

LI of the other group remained constant during the four extra trials.

Figure 4 shows how these 12 participants decreased their speed index and at

the same time increased their LI.


238

Figure 4

Standardized Average Learning Index and Speed Index scores during the 12 trials of

those participants in the LLG that adapted their speed (N=12).

0 2 4 6 8 10 12

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

Stan

dariz

ed S

core

s

Trials Learning index Speed index

4. STUDY 2

4.1. Method

Participants

Our participants were 184 undergraduates enrolled in a psychology degree

program in a public university in Spain, who volunteered for course credit to

complete an assessment procedure. Of these, 87 (47.3%) were first-year students,

62 (33.7%) were second-year students, 30 (16.3%) were third-year students, and

five (2.7%) were last-year students. They were between 18 and 30 years of age, and,


239

on average, the participants’ age was 20.17 years (SD = 2.04). By sex, 151

participants were women and 33 were men.

Materials

The students completed a long version of the Treasure Forest. The task was

the same as described in the first study, except for the duration of the trials, which

was longer in this study: each trial lasted 16 seconds.

Variables

The variables calculated were the same as in the first study.

Design

Test takers were randomly assigned either to the intervention or to the

control group. Due to some initial dropouts, the distribution of the groups was 99

participants in the intervention group and 85 in the control group.

In the intervention group, a speed limit was introduced to force participants’

response speed to be similar to the HLG’s speed in the first study. Hence, we

compared the performance of two groups in the task: the intervention group was

presented a version of the Treasure Forest with a speed limitation, whereas the

control group was presented the task without any speed limitation, which enabled

participants to respond as fast as they wanted. Considering the results of the first

study, the speed limitation applied consisted of a maximum of one click per second.

The speed limitation was applied by deactivating the mouse for 1 second after each

click: the mouse pointer disappeared during that time.


240

We extended the original trial duration to 16 seconds so that participants

were given enough time to explore the tokens and learn despite the speed limitation

in the intervention condition. Therefore, in this study, the trials lasted 16 seconds in

both conditions.

Procedure

As in Study 1, before the start of the study, student volunteers were briefly

informed that the procedure aimed at assessing different competences. Again, all of

them participated for course credit, but they could achieve this credit in other ways.

They signed an informed consent document. After the assessment, they were fully

informed about the study.

Participants completed the task in an information technology room being

supervised by two psychologists. Before starting the task, the instructions were

presented on their computers.

Once the data were recorded, each participants’ scores were calculated for

each trial. Again, statistical analyses were performed using the SPSS Statistics 25.0

package.

Power analysis

A power analysis was conducted with G*Power 3.1.9.4 (Faul et al., 2009),

based on the results of Casadevante, Romero, et al. (2021), since it is the one study

analysing the influence of speed response on learning through a computerized

behavioural task. The analysis indicated that, given a desired power of 0.95 and an

alpha level of 0.05, a minimum sample size of 28 participants was sufficient to

detect a difference. Thus, the study was powered sufficiently.



241

4.2. Results.

First, the effectiveness of the intervention on limiting the speed was checked.

The average speed during the first eight trials was calculated for the intervention

and control group. The control group average speed was 1.6 clicks per second (SD =

.68). On the other hand, the intervention group average speed was 0.58 clicks per

second (SD = .06), one click per second less than the control group. The independent

samples T-test revealed that the difference was significant (t (85) = 13.70, p < .001,

η² =.546). Therefore, the speed limitation provoked the desired effect.

Afterwards, we analysed whether this speed limitation promoted learning in

the intervention group compared to the control group. With this aim, the average LI

during the eight trials was calculated for each group. The control group achieved, on

average, a LI of 0.64 (SD = .24) during the task. In contrast, the intervention group

achieved a LI of 0.79 (SD = .19). The difference was significant (t (160) = 4.828, p <

.001, η² =.117). Hence, the intervention group learned more than the control group,

and the intervention was effective.

Nevertheless, the standard deviation of the learning and speed indexes were

high, especially in the control group. We carried out a cluster analysis (K-means

SPSS procedure) to check whether there were people who learned and people who

did not learn within each condition. The analysis was based on the LI achieved in the

first eight trials, with the purpose of analysing the presence of different learning

patterns. The clearest cluster solution was to divide the whole sample into two

learning groups. We found that 48 participants did not learn during the task,

obtaining on average LI of 0.38 (SD = .13) during the task. On the other hand, 136

participants achieved a LI of 0.84 (SD = .08), showing evidence of learning. We

verified the condition to which these participants belonged. We found that in the


242

control group, there were 53 participants (62%) who learned and 32 (38%) who

did not learn. Conversely, in the intervention group there were 83 (84%)

participants who learned and 16 (16%) who did not. As expected, the chi-squared

test revealed that there were significant differences in distribution among the

conditions, showing that the two variables “condition” and “learning group” were

related (χ² (1, N = 184) = 10.95, p < .001). In the experimental group, there was a

higher proportion of people who achieved a high LI than in the control group.

Therefore, the intervention provoked the expected consequence.

5. Discussion

The aim of the present study was to investigate whether the regulation of

speed of response promotes learning in an associative learning task. Several authors

have highlighted the importance of self-regulation for learning and academic

success. Since self-regulation is the ability to control and manage responses to

achieve goals, concerning speed of response, a self-regulatory skill would be the

ability to monitor whether the speed of response is adequate to succeed while

solving a task and, otherwise, to adapt the speed to achieve the demands of the task.

Casadevante and colleagues (2019) used a computerized learning test and found

that several primary school students and university students did not self-regulate

their response speed and did not learn. By comparison, other students adapted their

response speed during the task and succeeded in learning. In addition, Casadevante,

Ortner et al. (2021) demonstrated that, in being forced to act slowly, some students

learned more than their peers by acting without restrictions. Hence, an external

regulation of response speed also promoted learning.


243

In the present research, we created a new computerized test based on simple

associative learning to check whether this phenomenon is still present in a different

learning task, which would reinforce the previous findings. In the first study, we

tested the task, finding it to fulfil the psychometric standards. Afterwards, we found

that in our sample formed by university students, there was also a high percentage

of participants (25%) who did not learn during the task. This fact, despite being

expected, is surprising, given that these students only had to learn which two types

of tree were associated with the prize. As the previous literature has reported, we

found that this group of students was acting too fast to learn. On the other hand,

75% of students acted slowly and succeeded at learning in the task. In addition,

some of the students in the first group started to self-regulate their response speed

by the second half of the task, improving their learning. Therefore, as expected, self-

regulating the response speed seems to be crucial for learning.

In the second study we aimed at investigating whether an external regulation

of the response speed could enhance learning, as previously shown by Casadevante,

Ortner et al. (2021) in a category learning task. Therefore, we applied a speed

limitation by deactivating the mouse for 1 second after each click for the

intervention group, whereas the control group solved the task without any speed

restriction. This intervention had the desired effect: the intervention group, as a

whole, obtained a higher LI than the control group. Moreover, the proportion of test

takers who achieved to learn was higher in the intervention group.

In summary, this investigation showed that despite the use of an associative

learning task, a relation between learning and regulation of response speed existed.

Acting slowly was associated with learning. Furthermore, self-regulating the

response speed, that is, monitoring and adjusting it if necessary, led to greater


244

learning. Additionally, when the response speed was regulated externally, most

students succeeded at learning. It should be noted that, as Casadevante, Ortner et al.

(2021) affirmed, this external regulation is not essential for every student: there

were several students in the control group who were able to act adequately by

themselves and therefore to learn. These findings are in line with the previous

literature, as several authors have proved that SLR is highly related to successful

performance (Britton & Tesser, 1991; Cleary & Chen, 2009; DiBenedetto &

Zimmerman, 2010; Dörrenbächer & Perels, 2016; Duckworth & Seligman, 2005;

Pintrich & De Groot, 1990; Pintrich et al., 1993; von Suchodoletz et al., 2009;

Wolters, 2010; Zimmerman & Martinez-Pons, 1986). Moreover, several studies have

indicated that not all students self-regulate their learning even at university stages

(Berthold et al., 2007; Cazan, 2013; Heirweg et al., 2019), as we found in our sample.

It seems that a small proportion of students does not acquire this skill in spite of

being adults. However, as Torrano and González (2004) affirmed, SRL can be

promoted by adequate training. We consider that training is preferable to trying to

adapt the environment for these students or making them dependent on teachers’

support, for example, limiting their time or speed while solving an academic task.

Therefore, our findings could be taken into account in the line of promoting self-

regulation of response speed. It would be interesting in future studies to implement

a training for self-regulation of response speed to check whether participants start

to self-regulate their response speed and therefore to learn.

It should be noted that the use of an objective task enabled the measurement

of the students’ actual behaviour when facing a learning task without interfering

with their cognitive process. Each participants’ mouse click was recorded, and

therefore it was possible to calculate temporal variations of response speed and of

https://www.sciencedirect.com/science/article/pii/S1041608019300408#bb0035


245

the proportion of hits and the relation between these variables. This task avoided

several biases that self-reports suffer from. In this case, the actual behaviour is

recorded and assessed, and hence there is no subjectivity as in self-reported

answers. The test taker does not need to reflect or remember how he or she usually

behaves, so there is no chance of committing errors of estimation, which have been

pointed out by some researchers (Pajares, 2002; Pawlick, 1985; Santacreu et al.,

2006; Veenman, 2011) as a possible flaw of self-reports. Additionally, as the test

taker does not know the specific variable that the test measures, the effect of social

desirability is avoided, in comparison to self-reports (Romero et al., 2019). In the

same way, the tendency to acquiesce is prevented. Furthermore, the problem of

interrupting to ask the person to report information while solving the task that

occurs in think-aloud protocols (Greene et al., 2011; Jamieson-Noel & Winne, 2003)

is solved. Moreover, we were able to check the influence of a task factor as the speed

limitation, as Torrano and González (2004) formulated. In conclusion, the use of an

objective test had several advantages, yet it also presented some shortcomings. As

Bannert and Mengelkamp (2008) pointed out, inferring cognitive processes from

simple mouse clicks could be problematic. Nevertheless, it may be noted that acting

quickly is related with a low rate of hits and that adjustments in the speed redound

to produce increased learning. In any case, we underline the relevance of using

different measures instead of relying exclusively on self-reports.

We conclude that response speed and its regulation are decisive for learning

and that the use of objective and computerized tests to assess self-regulation

processes may provide useful information.


246

6. References

Aleven, V., Roll, I., McLaren, B. M., & Koedinger, K. R. (2010). Automated,

unobtrusive, action-by-action assessment of self-regulation during learning

with an intelligent tutoring system. Educational Psychologist, 45(4), 224-

233. https://doi.org/10.1080/00461520.2010.517740

Azevedo, R. & Gašević, D. (2019). Analyzing multimodal multichannel data about

self-regulated learning with advanced learning technologies: Issues and

challenges. Computers in Human Behavior, 96, 207-210.

https://doi.org/10.1016/j.chb.2019.03.025

Bannert, M., & Mengelkamp, C. (2008). Assessment of metacognitive skills by

means of instruction to think aloud and reflect when prompted. Does the

verbalisation method affect learning?. Metacognition and Learning, 3(1), 39-

58. https://doi.org/10.1007%2Fs10212-012-0149-y

Berthold, K., Nückles, M., & Renkl, A. (2007). Do learning protocols support

learning strategies and outcomes? The role of cognitive and metacognitive

prompts. Learning and Instruction, 17(5), 564-577.


Boekaerts, M. & Corno, L. (2005) Self-regulation in the classroom: A perspective on

assessment and intervention. Applied Psychology: An International Review,

54, 199-231. https://doi.org/10.1111/j.1464-0597.2005.00205.x



https://doi.org/10.1037/0022-0663.83.3.405

Casadevante, C., Romero, M., Fernández-Marcos, T., Hernández, J.M., & Santacreu, J.

(2021). Why do not some university students learn in a category learning


https://psycnet.apa.org/doi/10.1016/j.learninstruc.2007.09.007

https://doi.org/10.1111/j.1464-0597.2005.00205.x



247

task? The role of response speed and organization. Manuscript submitted for

publication.

Casadevante, C., Ortner, T., Romero, M. Hernández, J.M., & Santacreu, J. (2021).

How to foster learning by limiting the response speed. Current

Psychology. https://doi.org/10.1007/s12144-021-01784-7

Cattell, R. B., & Kline, P. E. (1977). The scientific analysis of personality and

motivation. San Diego: Academic Press.


students. Procedia-Social and Behavioral Sciences, 78, 743-747.




microanalytic protocols. Education Research International, 1–19.

https://doi.org/10.1155/2012/428639

Cleary, T. J., & Chen, P. P. (2009). Self-regulation, motivation, and math

achievement in middle school: Variations across grade level and math

context. Journal of school psychology, 47(5), 291-314.

https://doi.org/10.1016/j.jsp.2009.04.002

Crombach, M. J., Boekaerts, M., & Voeten, M. J. (2003). Online measurement of

appraisals of students faced with curricular tasks. Educational and

psychological measurement, 63(1), 96-111.

https://doi.org/10.1177/0013164402239319

Cromley, J. G., & Azevedo, R. (2006). Self-report of reading comprehension

strategies: What are we measuring?. Metacognition and Learning, 1(3), 229-

247. https://doi.org/10.1007%2Fs11409-006-9002-5

https://doi.org/10.1007/s12144-021-01784-7


https://doi.org/10.1177%2F0013164402239319

https://link.springer.com/article/10.1007%2Fs11409-006-9002-5


248




Assessment, 5(1), 2-24. Retrieved from


-


vestigation

Dignath, C., & Büttner, G. (2008). Components of fostering self-regulated learning

among students. A meta-analysis on intervention studies at primary and

secondary school level. Metacognition and learning, 3(3), 231-264.

http://dx.doi.org/10.1007/s11409-008-9029-x

Dignath, C., Buettner, G., & Langfeldt, H. P. (2008). How can primary school

students learn self-regulated learning strategies most effectively?: A meta-

analysis on self-regulation training programmes. Educational Research

Review, 3(2), 101-129. https://doi.org/10.1016/j.edurev.2008.02.003



learning. Educational psychology review, 20(4), 391-409.

https://doi.org/10.1007/s10648-008-9083-6




and Individual Differences, 51, 229-241.

https://doi.org/10.1016/j.lindif.2016.09.015

http://dx.doi.org/10.1007/s11409-008-9029-x

https://doi.org/10.1016/j.edurev.2008.02.003

https://doi.org/10.1007/s10648-008-9083-6



249

Duckworth, A. L., & Seligman, M. E. (2005). Self-discipline outdoes IQ in predicting

academic performance of adolescents. Psychological science, 16(12), 939-

944. https://doi.org/10.1111/j.1467-9280.2005.01641.x

Edwards, A. L. (1957). The social desirability variable in personality assessment and

research. Ft Worth, TX, US: Dryden Press.

Efklides, A. (2011). Interactions of metacognition with motivation and affect in

self-regulated learning: The MASRL model. Educational psychologist, 46(1),

6-25. https://doi.org/10.1080/00461520.2011.538645

Greene, J. A., & Azevedo, R. (2010). The measurement of learners’ self-regulated

cognitive and metacognitive processes while using computer-based

learning environments. Educational psychologist, 45(4), 203-209.

https://doi.org/10.1080/00461520.2010.515935

Greene, J. A., Costa, L. J., & Dellinger, K. (2011). Analysis of self-regulated learning

processing using statistical models for count data. Metacognition and

Learning, 6(3), 275-301. https://doi.org/10.1007/s11409-011-9078-4

Greene, J. A., Robertson, J., & Costa, L. J. C. (2011). Assessing self-regulated learning

using think-aloud methods. In B. J. Zimmerman & D. H. Schunk

(Eds.), Handbook of Self-Regulation of Learning and Performance (pp. 313-

328). New York: Routledge.




84). New York: Routledge.

Heirweg, S., De Smul, M., Devos, G., & Van Keer, H. (2019). Profiling upper primary

school students' self-regulated learning through self-report questionnaires

https://doi.org/10.1080/00461520.2011.538645


250

and think-aloud protocol analysis. Learning and Individual Differences, 70,

155-168. https://doi.org/10.1016/j.lindif.2019.02.001

Jamieson-Noel, D., & Winne, P. H. (2003). Comparing Self-Reports to Traces of

Studying Behavior as Representations of Students' Studying and

Achievement. Zeitschrift für Pädagogische Psychologie/German Journal of

Educational Psychology, 17, 159-171. https://doi.org/10.1024//1010-

0652.17.34.159

Kauffman, D. F. (2004). Self-regulated learning in web-based environments:

Instructional tools designed to facilitate cognitive strategy use,

metacognitive processing, and motivational beliefs. Journal of Educational

Computing Research, 30(1-2), 139-161. https://doi.org/10.2190/AX2D-

Y9VM-V7PX-0TAD

Kistner, S., Rakoczy, K., Otto, B., Dignath -van Ewijk, C., Buettner, G., & Klieme, E.

(2010). Promotion of self-regulated learning in classrooms: investigating

frequency, quality, and consequences for student

performance. Metacognition and Learning, 5(2), 157-

171. https://doi.org/(...)07/s11409-010-9055-3

Loeffler, S. N., Bohner, A., Stumpp, J., Limberger, M. F., & Gidion, G. (2019).

Investigating and fostering self-regulated learning in higher education using

interactive ambulatory assessment. Learning and Individual Differences, 71,

43-57. https://doi.org/10.1016/j.lindif.2019.03.006

Manganello, F., Falsetti, C., & Leo, T. (2019). Self-Regulated Learning for Web-

Enhanced Control Engineering Education. Journal of Educational Technology

& Society, 22(1), 44-58. Retrieved from


https://doi.org/10.2190%2FAX2D-Y9VM-V7PX-0TAD

https://doi.org/10.2190%2FAX2D-Y9VM-V7PX-0TAD

https://doi.org/10.1007/s11409-010-9055-3



251

https://drive.google.com/file/d/1Gu9QZaO700lcFb9f1k1nqOQMHGSQFjzc

/view

Malmberg, J., Järvenoja, H., & Järvelä, S. (2013). Patterns in elementary school

students′ strategic actions in varying learning situations. Instructional

Science, 41(5), 933-954. http://dx.doi.org/10.1007/s11251-012-9262-1

McDonald, J. D. (2008). Measuring personality constructs: The advantages and

disadvantages of self-reports, informant reports and behavioural

assessments. Enquire, 1(1), 1-19. Retrieved from

https://www.nottingham.ac.uk/sociology/documents/enquire/volume-1-

issue-1-dodorico-mcdonald.pdf

Musso, M. F., Boekaerts, M., Segers, M., & Cascallar, E. C. (2019). Individual

differences in basic cognitive processes and self-regulated learning: Their

interaction effects on math performance. Learning and Individual

Differences, 71, 58-70. https://doi.org/10.1016/j.lindif.2019.03.003

Niemivirta, M. (1998). Individual differences in motivational and cognitive factors

affecting self-regulated learning: A pattern-oriented approach. In P.

Nenniger, R.S. Jager & M. Wosnitza (Eds.), Advances in motivation (pp. 23-

42). Landau: Verlag Empirische Pädagogik.

Núňez, J.C., Cerezo, R., Bernardo, A., Rosário, P., Valle, A. Fernández, E. Suárez, N.

(2011). Implementation of training programs in self-regulated learning

strategies in moodle format: Results of a experience in higher education.

Psicothema, 23 (2), 274-281.

Onrubia, J. (1996). Mediación y construcción de significados en la interacción

profesor/alumnos y en la interacción entre alumnos [Mediation and

https://drive.google.com/file/d/1Gu9QZaO700lcFb9f1k1nqOQMHGSQFjzc/view

https://drive.google.com/file/d/1Gu9QZaO700lcFb9f1k1nqOQMHGSQFjzc/view

https://psycnet.apa.org/doi/10.1007/s11251-012-9262-1

https://www.nottingham.ac.uk/sociology/documents/enquire/volume-1-issue-1-dodorico-mcdonald.pdf

https://www.nottingham.ac.uk/sociology/documents/enquire/volume-1-issue-1-dodorico-mcdonald.pdf



252

construction of meanings in the teacher/student interaction and interaction

among students]. In A. Barca, J.A. González Pienda, R. González Cabanach &

J. Escoriza (Eds.), Psicología de la instrucción: componentes contextuales y

relacionales del aprendizaje escolar (Vol. 3, pp. 21-43). Barcelona: EUB.

Ortner, T. M., & Proyer, R. T. (2018). Behavioral and performance measures of

personality. Encyclopedia of Personality and Individual Differences, 1-6.

https://doi.org/10.1007/978-3-319-28099-8_1281-1

Pajares, F. (2002). Gender and perceived self-efficacy in self-regulated

learning. Theory into practice, 41(2), 116-125.

https://doi.org/10.1207/s15430421tip4102_8

Pawlik, K. (1985). Cross-situational consistency behavior: models, theories, and in-

field tests of the consistency issue. In E. E. Roskam (Ed.). Measurement amd

personality assessment. (pp. 307-314). Amsterdam: North Holland.

Perry, N., Phillips, L., & Dowler, J. (2004). Examining features of tasks and their

potential to promote self-regulated learning. Teachers College Record,

106(9), 1854-1878. http://dx.doi.org/10.1111/j.1467-9620.2004.00408.x

Pintrich, P. R., & De Groot, E. V. (1990). Motivational and self-regulated learning

components of classroom academic performance. Journal of Educational

Psychology, 82(1), 33. http://dx.doi.org/10.1037/0022-0663.82.1.33

Pintrich, P.R., Smith, D., García, T. & McKeachie, W. J. (1991). A manual for the use of

the Motivated Strategies for Learning Questionnaire (MSLQ). Ann Arbor:

University of Michigan, School of Education.




http://dx.doi.org/10.1111/j.1467-9620.2004.00408.x



253

(MSLQ). Educational and psychological measurement, 53(3), 801-813.

http://dx.doi.org/10.1177/0013164493053003024

Pintrich, P. R. (2000). The role of goal orientation in self-regulated learning. In M.


(pp. 452–502). San Diego, CA: Academic Press.

Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-

regulated learning in college students. Educational Psychology

Review, 16(4), 385-407. https://doi.org/10.1007/s10648-004-0006-x

Quiroga Estévez, M. A., Santacreu Mas, J., Montoro, A., Martínez-Molina, A., & Chun

Shih, P. C. (2011). Evaluación informatizada de la atención para niños de 7 a

11 Años: El DiViSA-UAM y el TACI-UAM [Computerized assessment of

attention for children from 7 to 11 years old: DiViSA-UAM and TACI-UAM].

Clínica y Salud, 22(1), 3–20. http://doi.org/10.5093/cl2011v22n1a1


important role of homework. Journal of Advanced Academics, 22(2), 194-

218. http://doi.org/10.1177/1932202X1102200202

Romero, M., Hernández, J. M., Juola, J. F., Casadevante, C., & Santacreu, J. (2019).

Goal Orientation Test: An Objective Behavioral Test. Psychological reports,

123(4), 1425-1451. http://doi.org/10.1177/0033294119845847


education: A systematic literature review of self-report


225-250. http://dx.doi.org/10.1007/s11092-015-9229-2

Rubio, V. J., Hernández, J. M., Revuelta, J., & Santacreu, J. (2011). Are we more

consistent when talking about ourselves than when behaving? Consistency

https://doi.org/10.1007/s10648-004-0006-x

http://doi.org/10.5093/cl2011v22n1a1

https://psycnet.apa.org/doi/10.1007/s11092-015-9229-2


254

differences through a questionnaire and an objective task. The Spanish

Journal of Psychology, 14(1), 207-217.

https://doi.org/10.5209/rev_SJOP.2011.v14.n1.18



53. Retrieved from

https://www.academia.edu/9258844/The_objective_assessment_of_person

ality_Cattellss_T-data_revisited_and_more1


related training and educational attainment: what we know and where we

need to go. Psychological Bulletin, 137(3), 421-442.

http://dx.doi.org/10.1037/a0022777

Skinner, N.S.F. & Howarth, E. (1975). Cross-media independence of questionnaire

and objective test personality factors. Multivariate Behavioral Research, 8,

23-40. https://doi.org/10.1207/s15327906mbr0801_2

Sonnenberg, C., & Bannert, M. (2019). Using Process Mining to examine the

sustainability of instructional support: How stable are the effects of

metacognitive prompting on self-regulatory behavior?. Computers in Human

Behavior, 96, 259-272. https://doi.org/10.1016/j.chb.2018.06.003

Torrano Montalvo, F., & González Torres, M. (2004). Self-regulated learning:

Current and future directions. Electronic Journal of Research in Educational

Psychology, 2(1), 1-34. Retrieved from http://www.investigacion-

psicopedagogica.org/revista/new/english/ContadorArticulo.php?27

Van Merriënboer, J. J., & de Bruin, A. B. (2019). Cue-based facilitation of self-

regulated learning: A discussion of multidisciplinary innovations and

https://doi.org/10.5209/rev_SJOP.2011.v14.n1.18

https://doi.org/10.1207/s15327906mbr0801_2


http://www.investigacion-psicopedagogica.org/revista/new/english/ContadorArticulo.php?27

http://www.investigacion-psicopedagogica.org/revista/new/english/ContadorArticulo.php?27


255

technologies. Computers in Human Behavior, 100, 384-391.


Veenman, M. V. (2011). Alternative assessment of strategy use with self-report

instruments: A discussion. Metacognition and Learning, 6(2), 205-211.

http://dx.doi.org/10.1007/s11409-011-9080-x

Veenman, M. V., Prins, F. J., & Verheij, J. (2003). Learning styles: Self-reports versus

thinking-aloud measures. British Journal of Educational Psychology, 73(3),

357-372. https://doi.org/10.1348/000709903322275885

Von Suchodoletz, A., Trommsdorff, G., Heikamp, T., Wieber, F., & Gollwitzer, P. M.

(2009). Transition to school: The role of kindergarten children's behavior

regulation. Learning and Individual Differences, 19(4), 561-566.


Winne, P. H. (2010). Improving measurements of self-regulated learning.

Educational psychologist, 45(4), 267-276.

https://doi.org/10.1080/00461520.2010.517150


learning. In B. J. Zimmerman & D. H. Schunk (Eds.), Handbook of Self-

Regulation of Learning and Performance (pp. 15-32). New York: Routledge.

Winne, P. H. (2019). Paradigmatic dimensions of instrumentation and analytic

methods in research on self-regulated learning. Computers in Human

Behavior, 96, 285-289. https://doi.org/10.1016/j.chb.2019.03.026

Winne, P., & Azevedo, R. (2014). Metacognition. In R. Sawyer (Ed.), The Cambridge

Handbook of the Learning Sciences (pp. 63-87). Cambridge: Cambridge

University Press.


https://psycnet.apa.org/doi/10.1007/s11409-011-9080-x

https://doi.org/10.1348/000709903322275885



256

Winne, P. H., & Jamieson-Noel, D. (2002). Exploring students’ calibration of self

reports about study tactics and achievement. Contemporary Educational

Psychology, 27(4), 551-572. https://doi.org/10.1016/S0361-

476X(02)00006-1

Winne, P. H., & Perry, N. E. (2000). Measuring self-regulated learning. M. Boekaerts,

P. R. Pintrich, & M. Zeidner (Eds.), Handbook of Self-Regulation (pp. 531-

566). San Diego: Academic Press.

Wolters, C. A. (2010). Self-regulated learning and the 21st century

competencies. Universidad de Houston: Department of Educational

Psychology. Retrieved from:

http://www.hewlett.org/uploads/Self_Regulated_Learning__21st_Century_

Competencies.pdf.



Regulation (pp. 13–40). San Diego: Academic Press.


into practice, 41(2), 64-70. https://doi.org/10.1207/s15430421tip4102_2




https://doi.org/10.3102/00028312023004614

Zimmerman, B. J., & Martinez-Pons, M. (1990). Student differences in self-regulated

learning: Relating grade, sex, and giftedness to self-efficacy and strategy

https://doi.org/10.1016/S0361-476X(02)00006-1

https://doi.org/10.1016/S0361-476X(02)00006-1


257

use. Journal of Educational Psychology, 82(1), 51.

https://doi.org/10.1037/0022-0663.82.1.51

Zeidner, M., Boekaerts, M., & Pintrich, P. R. (2000). Self-regulation: Directions and

challenges for future research. In M. Boekaerts, P. R. Pintrich, & M. Zeidner

(Eds.), Handbook of Self-Regulation (pp. 749-768). San Diego, CA: Academic

Press.

259

CUARTA PARTE:

DISCUSIÓN

Capítulo 9: Discusión, limitaciones y perspectivas futuras.

261

CAPÍTULO 9:

Discusión, limitaciones y perspectivas futuras.

1. Discusión.

Los estudios expuestos han tratado de determinar aquellos aspectos de la

conducta del individuo que se dan durante la ejecución de una tarea de aprendizaje

y que tienen repercusión en el aprendizaje finalmente alcanzado. En concreto, se

han analizado variables de la conducta relacionadas con la velocidad de ejecución y

la organización de ésta. La velocidad hace referencia al número de respuestas que

los participantes ejecutan por unidad de tiempo y la organización a la secuencia de

pulsaciones sobre las figuras o fichas que forman parte de la tarea de aprendizaje.

La forma de responder puede tener, por tanto, una velocidad determinada y un

grado de organización mayor o menor. Los resultados muestran que existen

diferencias en el comportamiento de los participantes: algunos responden de forma

rápida y/o desorganizada mientras que otros actúan a una velocidad más moderada

y/o de forma más desorganizada. Además, resulta clave que existe una relación

directa y significativa entre ambas variables y el aprendizaje logrado: a mayor

organización y menor velocidad, mayor nivel de aprendizaje alcanzado en la tarea.

Asimismo, se observa un resultado de vital importancia: cuando se altera el

contexto, forzando a que los participantes actúen de forma más lenta, su aprendizaje

aumenta significativamente en comparación con un grupo control. De esta forma,

nos encontramos con dos elementos relacionados con la velocidad que resultan

determinantes para el aprendizaje: por una parte, las diferencias individuales en la

forma de afrontar las tareas y, por otra parte, las modificaciones en las condiciones

de dichas tareas.

¿De qué dependen las diferentes formas de ejecución de respuestas en el

aprendizaje? Teniendo en cuenta que, en los primeros estudios, la tarea resulta

invariable para todos los participantes, parece claro que existen diferencias

individuales entre los estudiantes. Podríamos suponer, como se ha descrito en la

introducción, que los individuos presentan determinadas tendencias o estilos de


262

comportamiento en su manera de comportarse relativamente estables, en este caso,

en lo que respecta a la velocidad y orden en el que realizan la tarea. Estas formas de

comportarse han sido reforzadas a lo largo de su historia de aprendizaje bien por

ser adaptativas (competencias), o bien son fruto del proceso de aprendizaje

idiosincrásico de cada individuo (personalidad). Así, un individuo puede tender a

actuar de forma impulsiva y rápida, lo cual puede ocasionarle problemas a la hora

de enfrentarse a tareas de aprendizaje. En cambio, otros pueden haber aprendido a

comportarse de forma organizada, reflexiva y parsimoniosa y, por tanto, tienden a

actuar de esta forma durante la resolución de tareas de aprendizaje.

Presumiblemente, cada individuo actuará siguiendo su tendencia personal en

contextos funcionalmente equivalentes a aquellos donde aprendieron su estilo de

conducta siempre y cuando dichos contextos presenten contingencias abiertas, esto

es, que dichos estilos de comportamiento (responder con rapidez o lentitud y

responder de forma desordenada o minuciosa) no estén específicamente reforzados

en la tarea de aprendizaje propuesta. De esta forma, consideramos que la forma de

actuar de cada persona durante los test de aprendizaje empleados en los estudios,

será similar a aquella con la que se comportan al resolver tareas de aprendizaje

académicas. Esta forma de actuar determinará el nivel de aprendizaje alcanzado.

En la misma línea argumental, se ha tratado de explicar el hecho de que los

participantes que aprenden, conforme van aprendiendo, aumentan la velocidad de

respuesta, mientras que los que no aprenden, no solo responden a una alta

velocidad, sino que, a lo largo de los ensayos, no disminuyen esta velocidad o incluso

la aumentan y no logran mejorar su proporción de respuestas correctas. No

obstante, algunos de los individuos que no aprenden durante el comienzo de la

tarea, al incrementar el número de ensayos de la misma, comienzan a reducir su

velocidad, lo cual se asocia a una mejora de su rendimiento.

Por ello, se ha planteado que las diferentes formas de ejecución de la

respuesta en las tareas muestran el grado de autorregulación de su propia actuación

del individuo, específicamente, de la autorregulación de su velocidad de ejecución.

La autorregulación se entiende, en esta tesis, de forma conductual, como el

autocontrol que lleva a cabo el individuo en la ejecución de sus respuestas.

Entendemos que un estudiante se está autorregulando cuando controla su conducta,


263

modificándola para adecuarse a los requisitos de la tarea a la que se enfrenta. En

concreto, consideramos que autorregula su velocidad cuando la adapta a las

circunstancias de la tarea para lograr una ejecución óptima. Así, descartamos los

planteamientos tradicionales del conductismo, que plantean el autocontrol como la

inhibición de los impulsos en pos de un refuerzo mayor a largo plazo, así como las

concepciones cognitivas, que incluyen una serie de procesos cognitivos,

propositivos y evaluados de forma subjetiva. Esta investigación se ha propuesto

analizar, de forma directa y objetiva, la conducta manifiesta de los individuos

durante la resolución de tareas de aprendizaje, así como los cambios que se

producen en las formas de ejecución de la respuesta en este proceso. La

autorregulación desde este punto de vista, supondría la implementación de cambios

en la propia ejecución en función de los resultados que se obtienen. En el caso de

una tarea de aprendizaje, como la presentada en estos estudios, en la que en cada

ensayo se pueden ejecutar respuestas correctas (reforzadas) y respuestas

incorrectas, el autocontrol de la velocidad de ejecución significaría, en caso de error,

aumentar el intervalo de tiempo entre respuestas. Por el contrario, aumentar

ligeramente la velocidad de actuación conforme aumenta la frecuencia de acierto y

se aprende en la tarea, también es una estrategia de autorregulación que puede

mejorar el rendimiento en la prueba. De esta forma, si un participante en una prueba

de aprendizaje autorregula su actuación en función del resultado (acierto o error,

refuerzo o no refuerzo) podríamos hipotetizar que mejoraría su rendimiento en la

prueba. La clave está en ajustar el propio comportamiento para lograr que sea lo

más adaptativo (reforzado) posible a lo largo de la prueba. Es decir, la

autorregulación va más allá del mero control de impulsos. No se trata de responder

rápido o lento sino de reajustar la velocidad constantemente, buscando obtener la

máxima cantidad de refuerzo mediante el máximo aprendizaje (mínimo número de

respuestas erróneas).

En relación a la clasificación de las variables disposicionales mencionadas en

la introducción, podríamos entender la autorregulación, tanto como una

competencia como una variable de personalidad. No es posible determinar si el

autocontrol es universalmente reforzado y aprendido, lo cual nos haría considerarlo

una competencia, o si, por el contrario, solo es reforzado con probabilidad variable

en algunas situaciones, lo que generaría un estilo de comportamiento y por tanto se


264

entendería como una variable de personalidad. En cualquier caso, lo que es evidente

es que existen diferencias individuales en esta variable disposicional y que tienen

repercusión en el nivel de aprendizaje alcanzado. A lo largo de la historia de

aprendizaje, algunos individuos aprenden en mayor medida que otros a

autorregular sus conductas y, en lo relativo a la cuestión de estudio de este trabajo,

a regular su velocidad de respuesta, lo cual facilitará su aprendizaje.

Algunos autores podrían señalar que, quizás, lo que se está registrando en

esta investigación al estudiar los intervalos entre respuestas no son diferencias de

autorregulación sino diferencias motivacionales: algunos participantes se

encuentran motivados por aprender, por lo que actúan despacio y de forma

organizada, mientras que otros únicamente tratan de terminar rápido la tarea o de

obtener puntos, ya que no están motivados o bien lo están únicamente por lograr el

máximo resultado. Desde la perspectiva conductual, podría señalarse que, los

individuos que responden rápido, atienden a la tasa de refuerzo, esto es, la cantidad

de refuerzo por unidad de tiempo, con el mínimo coste de respuesta: tratan de

obtener puntos con frecuencia pulsando de forma rápida e indiscriminada las

figuras. Por el contrario, los individuos que actúan despacio tratando de aprender,

atenderían a la proporción de refuerzo, esto es, buscando que la mayor parte posible

de sus respuestas sean reforzadas.

Nuestro argumento es que, efectivamente, es posible que las conductas de

autorregulación correlacionen con diferentes motivos, la tercera clase de variables

disposicionales señalada en la introducción. No obstante, consideramos a la vista de

los resultados que, finalmente, es el cambio en la conducta, en concreto, en la

velocidad de ejecución, lo que produce las condiciones óptimas para aprender. Es

decir, independientemente de si esta conducta viene determinada por una cuestión

de competencia, personalidad o motivos, es el comportamiento final el que se

relaciona con el rendimiento. Asimismo, el tipo de respuesta (acierto o error) y el

momento en el que se ejecuta (intervalo entre respuestas) son las variables a las que

podemos acceder de forma objetiva, sin depender del autoinforme del individuo.

Probablemente, la autorregulación se manifieste también en forma de

pensamientos, emociones y motivos, pudiendo evaluarse mediante autoinforme,

pero esto queda fuera de los objetivos de esta tesis.


265

En definitiva, los datos de la presente investigación señalan que actuar a una

velocidad moderada y con un nivel de organización alto favorece el aprendizaje en

la tarea. Esto es especialmente importante al comienzo de la tarea hasta lograr un

alto nivel de aprendizaje, y durante el transcurso de la prueba si no se ha logrado

aprender previamente, por lo que autorregular estas variables para garantizar su

ajuste óptimo redunda en un nivel más alto de aprendizaje alcanzado y en un mayor

rendimiento. Esta descripción coincide con el concepto de autorregulación en

función del máximo reforzamiento planteado previamente, así como con los

planteamientos señalados por los grandes autores de la autorregulación, como son

Zimmerman (2000); Pintrich (2000); Boekaerts (2011); Efklides (2011); Hadwin,

Järvelä y Miller (2011) y Winne (2011). Asimismo, esta tesis ha permitido demostrar

que esto ocurre así a diferentes niveles académicos, desde la educación primaria

hasta la formación universitaria, lo cual concuerda con las múltiples investigaciones

realizadas al respecto (Sitzmann y Ely, 2011).

En la presente investigación no se ha encontrado una correlación

significativa entre las conductas de autorregulación o el rendimiento en la prueba y

las calificaciones académicas, como sí encuentran otros autores (Britton y Tesser,

1991; DiBenedetto y Zimmerman, 2010; Dörrenbächer y Perels, 2016; Duckworth y

Seligman, 2005; Pintrich et al., 1993; Zimmerman y Martínez-Pons, 1986). Como ya

se ha discutido en los apartados correspondientes de los estudios empíricos uno y

dos, existen múltiples hipótesis para explicar este fenómeno. Algunas de ellas se

refieren a una cuestión ya reflejada en la introducción: en la formación académica,

especialmente en la educación obligatoria, se imponen idénticos objetivos y un

único modo de alcanzarlos para todos los estudiantes, considerando que aquellos

alumnos que no los logran son una muestra del fracaso de la escuela y de los propios

escolares. Sin embargo, estos objetivos o criterios de aprendizaje varían con el

tiempo (por ejemplo, aquello que se esperaba en los años 60 que supieran los

estudiantes de 6 años dista mucho de aquello que se les exige a esos mismos niños

hoy en día), por lo que es difícil pensar que serán criterios realistas y universales.

Asimismo, quizás no todos los estudiantes deseen alcanzar esos criterios. Un alumno

que muestra conductas de autorregulación durante la resolución de una tarea, podrá

no aplicar estas mismas conductas en su vida académica si no se encuentra motivado

por las materias, o si no dispone del tiempo o las condiciones de estudio necesarias,


266

etc. En definitiva, en las calificaciones académicas intervienen muchos otros factores

diferentes de la autorregulación, no contemplados en el presente trabajo. Es más,

cabría debatir si los métodos de evaluación predominantes en la actualidad evalúan,

de hecho, el aprendizaje de los alumnos, pero se trata de una cuestión que excede

los límites de este trabajo.

En cualquier caso, parece claro que la regulación de la velocidad promueve el

aprendizaje. No solo cuando la autorregulación surge del propio individuo, sino

también cuando es forzada por el contexto, como muestran los resultados del tercer

y cuarto estudio. Estamos aludiendo aquí a la segunda variable planteada como

influyente en el proceso de aprendizaje, los cambios en el contexto. Como se

explicaba en la introducción, desde la perspectiva conductual son los cambios en el

contexto (variaciones en las contingencias establecidas en la prueba, incluidas las

instrucciones en el caso de humanos) lo que ocasiona los cambios en la respuesta.

Los resultados de los estudios cuasi experimentales de esta tesis son concluyentes:

al introducir una modificación en el contexto que impide a los participantes dar más

de una respuesta por segundo, su nivel de aprendizaje aumenta de forma

significativa en comparación con aquellos participantes del grupo control que

actúan libremente. Es cierto que en el grupo control existen estudiantes que, de

forma espontánea, autorregulan su conducta y aprenden. Presumiblemente, en el

grupo de intervención existan estos mismos participantes, que no se verán

beneficiados de la limitación, pues ya aprenderían por sí mismos. No obstante, con

esta intervención, la proporción de estudiantes que no aprende se reduce

significativamente, ya que para aquellos individuos que no autorregulan su

conducta de forma espontánea, la limitación de velocidad resulta de gran utilidad.

En definitiva, lo que observamos aquí es que impedir responder a gran velocidad

aumenta el aprendizaje. Esto sería equivalente a decir, en psicológica básica, que

ocultar la palanca en una caja de Skinner favorece el aprendizaje de la asociación

entre estímulos y respuestas. Esto constituye un planteamiento novedoso y de gran

relevancia para la psicología del aprendizaje.

Asimismo, este planteamiento nos acerca a posibles líneas de intervención

con aquellos estudiantes que no logran aprender por no autorregular su conducta.

Diferentes autores han propuesto complejos entrenamientos en autorregulación y


267

los han aplicado con éxito (Bellhäuser et al., 2006; Dignath, Buettner y Langfeldt,

2008; Dörrenbächer y Perels, 2016; Ramdass y Zimmerman, 2011; Schmitz y Wiese,

2006; Stoeger y Ziegler, 2008). Teniendo en cuenta los resultados de los estudios de

esta tesis, la modificación del contexto para promover la regulación de la velocidad

y el aprendizaje podría ser beneficiosa. Una posible aplicación de este hallazgo sería

obligando a los estudiantes a enlentecerse. Por ejemplo, proporcionándoles los

diferentes ejercicios de una prueba de manera progresiva, de manera que dispongan

de un tiempo fijo para resolver cada ejercicio. En aplicaciones más avanzadas que

cuenten con soporte tecnológico, esto podría llevarse a cabo con mayor precisión,

estableciendo un tiempo mínimo entre cada respuesta o cada paso de la resolución

de un mismo ejercicio, favoreciendo así el enlentecimiento y la reflexión. Asimismo,

otra posibilidad consistiría en llevar a cabo los cambios necesarios en el entorno

para entrenar la autorregulación de la velocidad, así como la organización.

Consideramos esta última opción la más ventajosa pues, una vez aprendido, serían

los propios estudiantes los que autorregularan su comportamiento sin necesidad de

contar con los apoyos del entorno. En la presente investigación no se han analizado

formas de entrenamiento de la autorregulación por lo que no es posible establecer

rutas de actuación específicas. Formará parte de las futuras líneas de investigación

que se propondrán a continuación.

Por último, cabe destacar la utilidad de las pruebas objetivas en la presente

investigación. Estos test, ya planteados por Cattell en la primera mitad del siglo

pasado, se han visto beneficiados por el auge de las tecnologías informáticas

permitiéndonos obtener con facilidad los llamados datos T. Mediante esta

metodología, es posible registrar el comportamiento de un individuo de forma

automática y precisa, en tiempo real, mientras trata de resolver alguna prueba.

Como se planteó en la introducción, el individuo no sabe qué aspecto de su conducta

se está evaluando, por lo que disminuyen los sesgos asociados a la deseabilidad

social. Asimismo, no dependemos de su memoria o autopercepción para poder

conocer su comportamiento.

Ante las posibles críticas a nuestro trabajo, al no haber utilizado los

autoinformes como sistema de evaluación para comprobar hasta qué punto los

sujetos autorregulan su comportamiento en la ejecución de la tarea de aprendizaje,


268

señalamos que las pruebas objetivas empleadas permiten registrar la velocidad y la

organización y el análisis de su papel en el aprendizaje ensayo a ensayo. Si

hubiéramos evaluado estos aspectos mediante autoinforme, preguntando a los

individuos sobre los elementos relacionados con aprender, la conclusión hubiera

sido, sin duda, distinta. Téngase en cuenta que los evaluados no psicólogos no son

expertos en aprendizaje ni en análisis de comportamiento. Sería parte de otro

estudio, con diferentes objetivos, investigar la relación entre la información

obtenida mediante las pruebas objetivas y mediante los autoinformes. Este ha sido

el objetivo de investigaciones como las realizadas por Cattell (1965), Dinsmore et al.

(2008), Santacreu et al. (2006) o Sierra y Buela-Casal (2001). El objetivo de esta

tesis, ha sido el estudio de las conductas que se relacionan con el aprendizaje, sin

entrar en la comparación entre diferentes metodologías, por lo que no resultaba

pertinente la inclusión de una evaluación autoinformada.

En cualquier caso, queremos destacar los beneficios del empleo de pruebas

objetivas como las utilizadas en esta tesis y promover su uso en futuras

investigaciones.

2. Limitaciones y posibles mejoras.

Los estudios que forman parte de esta tesis presentan algunos

inconvenientes que limitan su generalización y, por tanto, es apropiado mencionar.

En primer lugar, la muestra seleccionada no abarca todos los rangos de edad.

No se han estudiado las cuestiones planteadas en población de entre 12 y 18 años,

habiendo un salto generacional en las muestras analizadas. Tampoco se ha

estudiado el aprendizaje de menores de 6 años o de adultos de edad avanzada.

Asimismo, las muestras de estudiantes universitarios comprenden únicamente

alumnos del Grado en Psicología, por lo que en futuros estudios sería adecuado

ampliar el alcance y el tamaño de la selección muestral.

En segundo lugar, la relación entre las variables de ejecución y el aprendizaje

únicamente se ha estudiado mediante dos pruebas de aprendizaje diferentes. El

hecho de utilizar dos pruebas distintas otorga mayor solidez a los resultados


269

obtenidos, no obstante, la utilización de pruebas adicionales aumentaría en mayor

medida su robustez. En la prueba de aprendizaje de categorías (CLT) el tiempo para

obtener puntos clicando sobre las figuras es limitado, por lo que quedan muchas

figuras target por pulsar en cada ensayo, mientras en la prueba del Bosque del

Tesoro se dispone de tiempo sobrado para identificar todas las figuras target con las

que se obtienen puntos. Además, en el CLT otras figuras no target también otorgan

cierta puntuación, aunque significativamente menor a las figuras target, mientras

que en el Bosque del Tesoro únicamente las figuras target otorgan puntuación. Se

podía pensar que la alta velocidad a la que los participantes respondían en el primer

estudio, utilizando la prueba CLT, se debía a la escasez de tiempo para pulsar todas

las figuras que, potencialmente, proporcionaban puntos y se aspiraba a lograr,

pulsando de forma rápida e indiscriminada muchas figuras, una alta puntuación. Se

pudo descartar esta hipótesis utilizando estas dos pruebas tan diferentes respecto

al número de figuras y su puntuación asociada, ya que en la prueba del Bosque del

Tesoro pulsar de manera rápida e indiscriminada resultaba una estrategia inútil en

la persecución de un buen resultado, pese a lo cual, algunos estudiantes continuaban

actuando de ese modo. De esta forma, sería conveniente replicar los estudios

utilizando otras pruebas objetivas de aprendizaje, con diferencias respecto al

número de targets disponible, la puntuación del resto de elementos, el tiempo

disponible, el momento de finalización del ensayo, etc. e incluso, tareas que

implicaran diferentes procesos de aprendizaje. Estos nuevos estudios permitirían

testear nuevas hipótesis y comprobar el nivel de generalización de los resultados.

En tercer lugar, los estudios tercero y cuarto evalúan el efecto de la limitación

externa de la velocidad comparando al grupo de intervención con el grupo de

control, no obstante, la asignación de los casos a las diferentes condiciones del

estudio no se realiza de forma aleatoria sino por día de participación. Sería

conveniente poder realizar un nuevo estudio que resolviera esta cuestión, de

manera que se controles un mayor número de variables. Asimismo, podría resultar

de gran utilidad la realización de un estudio de similar índole, con el objetivo de

analizar los efectos de una promoción externa de la organización, por ejemplo,

permitiendo pulsar fichas de una única fila o columna antes de pasar a la siguiente.


270

3. Perspectivas futuras de investigación.

A la vista de los resultados obtenidos, resultaría pertinente continuar

estudiando nuevas variables de la ejecución de la conducta de los individuos que

pudieran estar influyendo en su rendimiento. La velocidad y la organización son dos

características claves en la consecución de un alto nivel de aprendizaje.

Probablemente, otras variables como la inhibición al responder o la precipitación al

comenzar cada ensayo puedan influir en el aprendizaje como se muestra en los test

de atención (Santacreu, Shih y Quiroga, 2011).

También sería interesante comprobar si las diferencias individuales que se

observan en los patrones de ejecución son estables y consistentes, esto es, si se

mantienen constantes a lo largo del tiempo y a través de diferentes situaciones. Esto

sería indicativo de que forman parte de lo que hemos denominado variables

disposicionales del individuo.

Asimismo, sería conveniente estudiar con mayor detalle el efecto de la

introducción de una limitación de velocidad como la presentada en los estudios tres

y cuatro. Por una parte, resultaría de gran interés observar primero la tendencia

espontánea de actuación de los individuos (si comienzan la tarea actuando a alta o

baja velocidad y si aprenden o no) para después introducir la limitación de la

velocidad para observar si aquellos que actuaban rápido y no aprendían se ven

beneficiados de la intervención. Por otra parte, sería adecuado ahondar en el efecto

a largo plazo de dicha intervención. Es posible que constituya una forma de

entrenamiento en autorregulación, por lo que cabría dar respuesta a las siguientes

preguntas: ¿El participante aprende, en ensayos posteriores con diferentes figuras

target, una vez retirada la restricción de velocidad? ¿Y en pruebas de aprendizaje

posteriores? ¿Es posible que el participante aprenda que la regulación de la

velocidad es beneficiosa y lo generalice a otros contextos, como otras pruebas de

aprendizaje? ¿Durante cuántos ensayos sería necesario mantener la limitación de la

velocidad para que el estudiante comience hacerlo por sí mismo?

Por el contrario, es posible que una limitación externa de la velocidad solo

resulte útil durante el tiempo que dura su aplicación. ¿De qué otra forma, entonces,


271

podría promoverse la autorregulación de la velocidad? Ahondar en este aspecto

resultaría crucial para el estudio del aprendizaje.

Por último, podría resultar interesante comparar la información obtenida

mediante pruebas objetivas y la información obtenida mediante el autoinforme de

los participantes. En otras investigaciones, se ha observado una ausencia de

correlación entre los instrumentos de evaluación cuando se pretende obtener la

misma información, pero puede que la información obtenida mediante ambos

métodos sea complementaria. Podría ser útil analizar la percepción acerca del nivel

de aprendizaje alcanzado, así como de las explicaciones que genera acerca de los

comportamientos que han facilitado o impedido dicho aprendizaje. Evaluaríamos

por tanto el nivel de reflexión de los individuos acerca de su propio proceso de

aprendizaje y se podría estudiar su relación con el rendimiento objetivo obtenido en

la prueba.

Conclusiones generales

273

CONCLUSIONES GENERALES (Versión en castellano)

En la presente investigación se ha abordado el estudio del aprendizaje desde

una aproximación conductual. Mientras que la psicología cognitiva ha puesto el

énfasis en variables internas del aprendiz, como su inteligencia, su motivación, sus

conocimientos previos, etc., esta tesis ha pretendido indagar en factores

conductuales, esto es, en los comportamientos que el aprendiz ejecuta mientras

trata de aprender. Esta aproximación conlleva también una metodología particular,

de manera que, lejos de basarse en el autoinforme de la persona, método de

referencia en la corriente cognitiva, busca observar el comportamiento del

individuo. Estas observaciones se han realizado mediante lo que se denominan

pruebas de evaluación objetiva informatizadas, esto es, programas de ordenador

similares a un pequeño videojuego que plantean diferentes situaciones al

participante y observan su comportamiento en interacción con el contexto.

La utilización de estas pruebas ha permitido registrar el comportamiento de

los participantes con precisión (el momento y el tipo de respuesta) en tiempo real.

A partir de este registro básico se han obtenido distintas variables (organización,

velocidad de respuesta) y se ha calculado su relación con el rendimiento logrado en

la prueba, obteniendo las siguientes conclusiones:

• En el primer estudio ha sido posible observar cómo aquellos niños de

educación primaria que, durante la resolución de una tarea de aprendizaje

operante, actúan a una velocidad moderada y de forma organizada, logran un

mayor aprendizaje (proporción de respuestas correctas) que sus

compañeros.

• Pese a que la edad o el desarrollo cognitivo son variables que podrían

determinar el rendimiento, no constituyen el único factor explicativo de las

diferencias existentes en el rendimiento de los escolares. De hecho, algunos

niños de 6 años logran un mayor nivel de aprendizaje que algunos

estudiantes universitarios en la misma prueba de aprendizaje.


274

• Este sorprendente hallazgo demuestra la relevancia de las variables de

ejecución, en concreto, la velocidad a la que se responde y la organización

con la que se afronta la tarea.

• La metodología empleada ha permitido observar también cambios del

comportamiento en tiempo real durante la resolución de las pruebas. Esto ha

supuesto el descubrimiento, en el segundo estudio, de que algunos

estudiantes, pese a comenzar las tareas de aprendizaje a una velocidad

elevada, posteriormente son capaces de autorregularse, enlenteciéndose y

alcanzando así un rendimiento superior.

La posibilidad de introducir diferentes modificaciones en las pruebas

empleadas ha permitido alterar el contexto para observar la repercusión que

en el comportamiento de los estudiantes. En concreto, en el tercer estudio,

mediante un diseño cuasi-experimental, se inhabilitó el ratón durante un

según tras cada respuesta emitida, impidiendo al grupo experimental emitir

más de un click por segundo, esto es, forzándoles a actuar a una velocidad

moderada. El objetivo fue comprobar si aquellos individuos que no

autorregulaban de forma espontánea su velocidad, mejoraban su

rendimiento en la prueba con esta media. Los participantes del grupo control

actuaron sin ninguna limitación, con una velocidad más elevada, y obtuvieron

un menor nivel de aprendizaje que los del grupo experimental que

forzosamente redujeron su velocidad y, en consecuencia, mejoraron su nivel

de aprendizaje.

Por tanto, se concluye que la velocidad a la que se responde en una tarea de

elección de aprendizaje de categorías determina, en parte, el nivel de

aprendizaje alcanzado en la prueba. Además, la modificación del contexto

permite regular la ejecución de los participantes que no lo hacen por sí

mismos para que, finalmente, logren mejores resultados.

• Los mismos resultados han sido encontrados en el cuarto estudio empleando

otra prueba objetiva de aprendizaje de menor complejidad, lo cual aumenta

su posibilidad de ser generalizados.


275

De esta forma, los estudios realizados demuestran la trascendencia del

comportamiento de los estudiantes durante su proceso de aprendizaje, así como el

efecto de los cambios en el contexto en el comportamiento y, en consecuencia, en el

nivel de aprendizaje alcanzado.

Estos hallazgos suponen una importante contribución a la psicología del aprendizaje

académico, dado que identifican variables de la conducta y elementos de contexto

que permiten promover el aprendizaje.

A lo largo de la tesis se destaca el papel que juega el contexto en el

aprendizaje, de manera que es posible derivar aplicaciones prácticas, útiles y

sencillas para intervenir en el ámbito académico. En concreto, se propone, por una

parte, modificaciones en el entorno que limiten la velocidad de ejecución para

favorecer un cambio en el modo de actuar que facilite el aprendizaje. Por otra parte,

el entrenamiento en la autorregulación de la propia actuación durante la resolución

de tareas.

No obstante, más allá de la repercusión específica de los resultados de esta

tesis en el ámbito del aprendizaje, es posible extraer una conclusión transversal a

todas las áreas de investigación psicológica. El empleo de una metodología de

evaluación precisa y objetiva, mediante la cual se registra el comportamiento del

individuo, ha posibilitado la obtención de resultados de gran relevancia. Por ello,

resulta una metodología que, pese a diferir de los autoinformes empleados

frecuentemente en la investigación psicológica, resulta de una gran utilidad.

Dada la naturaleza de las investigaciones, es habitual que los nuevos

interrogantes que hacen surgir lleguen a ser de tanta o incluso mayor relevancia que

los resultados obtenidos. Las nuevas preguntas que a la luz de los resultados de esta

tesis se formulen como hipótesis, otorgaran un valor inestimable para el campo de

conocimiento del aprendizaje tanto en el área básica como en la aplicada. Algunas

de las planteadas aquí son la búsqueda de otros posibles factores del

comportamiento que puedan relacionarse con el aprendizaje, así como la búsqueda

del método óptimo de entrenamiento de la autorregulación.

Dada la luz arrojada, por esta y otras investigaciones, sobre las ventajas del

uso de una metodología de evaluación objetiva, parece prometedor profundizar en


276

este campo de estudio siguiendo la línea aquí planteada. Consideramos que las

ventajas de una metodología de evaluación objetiva, en la que se configuran

detalladamente las tareas y se registra minuciosamente diversas respuestas, es

incuestionable en todos los campos de investigación psicológica. Esto es así gracias

a que la tecnología informática permite alcanzar una gran precisión sin reducir la

complejidad del comportamiento tanto animal como humano.

General Conclusions

279

GENERAL CONCLUSIONS (English version)

This research has addressed the study of learning from a behavioural point

of view. While cognitive psychology has focused on the learner's internal variables,

such as intelligence, motivation or previous knowledge, this thesis aimed at

investigating behavioural factors. Hence, the behaviours that the learner exhibits

while trying to learn were analysed. This approach entails a particular methodology

different to self-reports, the normal method of reference of cognitive psychology. It

attempts to observe the behaviour of the individual. These observations have been

made employing computerised objective assessment tests, i.e., computer programs

similar to a simple video game that present different situations to the participants

and record their behaviour in interaction with the context.

The use of these tests has made it possible to accurately record the real-time

behaviour of participants (the time and type of response). From this basic recording,

different variables (organisation, speed of response) have been obtained.

Afterwards, their association with the performance in the test has been calculated,

leading to the following conclusions:

• In the first study, it was possible to observe how, during the resolution of an

operant learning task, those primary school children who act at a moderate

speed and in an organised manner achieve higher levels of learning

(proportion of correct answers) than their peers.

• Although age or cognitive development are variables that could determine

performance, they are not the only explanatory factor for differences in

schoolchildren's performance. In fact, some six-year-olds achieve a higher

level of learning than some university students on the same learning test.

• This surprising finding demonstrates the relevance of performance variables,

in particular, the response speed and the organisation with which the task is

approached.

General Conclusions

280

• The methodology employed also made it possible to observe real-time

behavioural changes during the resolution of the tests. In the second study,

this led to the discovery of the relevance of self-regulation. Some students,

despite starting the learning task at a high speed, subsequently self-regulated

their behaviour, slowing down and thus achieving higher performance.

• The possibility of introducing different modifications in the tasks allows the

context to be altered to observe the impact on student behaviour. Specifically,

the third study consisted of a quasi-experimental design. For the

experimental group, the mouse was disabled for one second after each

response, preventing participants from making more than one click per

second, i.e., forcing them to perform at a moderate speed. The aim was to test

whether those individuals who did not spontaneously self-regulate their

speed improved their performance in the test with this limitation. The

participants in the control group performed without any limitation. On

average, they acted at a higher speed and obtained a lower level of learning

than those in the experimental group, who necessarily reduced their speed

and, consequently, improved their level of learning.

Therefore, it is concluded that the speed at which one responds to a category

learning choice task determines, in part, the level of learning achieved in the

test. Moreover, the modification of the context makes it possible to regulate

the performance of participants who do not do it on their own so that they

ultimately achieve better results.

• The same results were found in the fourth study using another objective

learning test of lower complexity, which increases their generalisability.

Thus, the studies demonstrate the relevance of students' behaviour during

their learning process, as well as the effect of changes in context on behaviour and,

consequently, on the level of learning achieved.

These findings are an important contribution to the psychology of academic

learning since they identify behavioural variables and contextual elements that

promote learning.

General Conclusions

281

Throughout the thesis, the role of context in learning is highlighted, so that

it is possible to derive practical, useful and simple applications for intervention in

the academic environment. Specifically, it proposes, on the one hand, modifications

in the environment that limit the response speed to favour a change in the way of

behaving that facilitates learning. On the other hand, it proposes training in self-

regulation of one's performance during task resolution.

In addition, beyond the specific repercussions of the results of this thesis in

the field of learning, it is possible to draw a conclusion that cuts across all areas of

psychological research. The use of a precise and objective assessment methodology,

through which individuals’ behaviour is recorded, has made it possible to obtain

highly relevant results. Therefore, it is a very useful methodology, although it differs

from the self-reports frequently used in psychological research.

Given the nature of the research, it is common for the new questions that it

raises to be as relevant, if not more so, than the results obtained. The new questions

which, in the light of the results of this thesis, are formulated as hypotheses, will be

of inestimable value to the field of knowledge of learning in both the basic and

applied areas. Some of the hypotheses raised are the search for other possible

behavioural factors that may be related to learning, as well as the search for the

optimal method of training self-regulation of response speed.

Given the light shed by this and other research on the advantages of using an

objective assessment methodology, it seems promising to further explore this field

of study along the lines suggested here. We believe that the advantages of an

objective assessment methodology, in which tasks are configured in detail and

various responses are carefully recorded, are unquestionable in all fields of

psychological research. Computer technology allows for great precision without

reducing the complexity of both animal and human behaviour.

Referencias

283

REFERENCIAS

Agnoli, S., Mancini, G., Pozzoli, T., Baldaro, B., Russo, P. M., & Surcinelli, P. (2012).

The interaction between emotional intelligence and cognitive ability in

predicting scholastic performance in school-aged children. Personality and

Individual Differences, 53(5), 660-665.

https://doi.org/10.1016/j.paid.2012.05.020

Ames, C. (1984). Competitive, cooperative, and individualistic goal structures: A

motivational analysis. En R. Ames & C. Ames (eds.): Research on motivation

in education: Vol 1. Student motivation. Academic Press.

Anastasi, A. (1982). Psychological Testing (5.ª ed.). MacMillan Publishing Co. Inc.

Ausubel, D. (1976). Psicología educativa: Un punto de vista cognoscitivo. Trillas.

Arendasy, M., Sommer, M., Herle, M., Schützhofer, B., & Inwanschitz, D. (2011).

Modeling effects of faking on an objective personality test. Journal of

Individual Differences, 32(4), 210-218. https://doi.org/10.1027/1614-

0001/a000053.

Arnold, L. E., Hodgkins, P., Kahle, J., Madhoo, M., & Kewley, G. (2020). Long-term

outcomes of ADHD: academic achievement and performance. Journal of

Attention Disorders, 24(1), 73-85.

https://doi.org/10.1177/1087054714566076

Bandura, A. & Walters, R.H. (1974). Aprendizaje social y desarrollo de la

personalidad (A. Riviére, trad.). Alianza (original publicado en 1963).

Bandura, A. (1977). Social learning theory. Prentice-Hall.

Bandura, A. (1982). Self-efficacy mechanism in human agency. American

Psychologist, 37(2), 122-147. https://doi.org/10.1037/0003-066X.37.2.122

Bandura, A. (1983). Principios de modificación de conducta (E. Garrido, trad.).

Sígueme (original publicado en 1969).


https://doi.org/10.1027/1614-0001/a000053

https://doi.org/10.1027/1614-0001/a000053

https://doi.org/10.1177/1087054714566076

https://psycnet.apa.org/doi/10.1037/0003-066X.37.2.122

Referencias

284

Bandura, A. (1993). Perceived self-efficacy in cognitive development and

functioning. Educational Psychologist, 28(2), 117-148.

https://doi.org/10.1207/s15326985ep2802_3

Bandura, A. (1997). Self-efficacy: the exercise of control. Freeman.


they evolved. The Guilford Press.


and occupational functioning in hyperactive children as adults: Self-

reported executive function (EF) deficits versus EF tests. Developmental


https://doi.org/10.1080/87565641.2010.549877

Bellhäuser, H., Lösch, T., Winter, C., & Schmitz, B. (2016). Applying a web-based

training to foster self-regulated learning—Effects of an intervention for

large numbers of participants. The Internet and Higher Education, 31, 87-

100. https://doi.org/10.1016/j.iheduc.2016.07.002

Bernstein, D.A. & Nietzel, M.T. (1982). Introducción a la psicología clínica (H. Abasta

& R.M. Vilaplana, trads. & J. Cárdenas, rev.). McGraw-Hill (original publicado

en 1980).

Blair, C., & Razza, R. P. (2007). Relating effortful control, executive function, and

false belief understanding to emerging math and literacy ability in

kindergarten. Child Development, 78(2), 647-663.

https://doi.org/10.1111/j.1467-8624.2007.01019.x

Blakely, E., & Schlinger, H. (1987). Rules: Function-altering contingency-specifying

stimuli. The Behavior Analyst, 10(2), 183-187.

https://doi.org/10.1007/BF03392428

Boekaerts M. (2011). Emotions, emotion regulation, and self-regulation of learning.

In B. J. Zimmerman, & D. H. Schunk (Eds.), Handbook of Self-Regulation of

Learning and Performance (pp. 408-425). Routledge.

Bouton, M. E. (2007). Learning and behavior: A contemporary synthesis. Sinauer

Associates.

https://doi.org/10.1207/s15326985ep2802_3

https://doi.org/10.1080/87565641.2010.549877

https://doi.org/10.1080/87565641.2010.549877

https://doi.org/10.1016/j.iheduc.2016.07.002

https://doi.org/10.1111/j.1467-8624.2007.01019.x

https://doi.org/10.1007/BF03392428

Referencias

285


grades. Journal of Educational Psychology, 83(3), 405 –410.

https://doi.org/10.1037/0022-0663.83.3.405

Brown, A. L., & DeLoache, J. S. (1978). Skills, plans, and self-regulation. En R. S.

Siegler (Ed.), Children's thinking: What develops (pp. 3-36). Lawrence

Erlbaum Associates.

Cándido, A. (2000). Introducción a la psicología del aprendizaje asociativo.

Biblioteca Nueva.

Cándido, A., López, J. & Ballesteros, M.A. (2000). Habituación & sensibilización. En

Cándido, A., Introducción a la psicología del aprendizaje asociativo (pp. 21-

46). Biblioteca Nueva.

Cándido, A., de Brugada, I., Gallo, M. & Ballesteros, M.A. (2000). Contenido de lo

aprendido. En Cándido, A., Introducción a la psicología del aprendizaje

asociativo (pp.101-114). Biblioteca Nueva.

Castillo, M. D. (2009). La atención. Pirámide.

Catania, A.C. (1998). Learning. Prentice Hall (original publicado en 1979).

Cattell, R. B. (1943). The description of personality: basic traits resolved into

clusters. The Journal of Abnormal and Social Psychology, 38(4), 476–

506. https://doi.org/10.1037/h0054116

Cattell, R. B. (1946). Description and measurement of personality. World Book

Company.

Cattell, R. B. (1957). Personality and motivation structure and measurement. World

Book Co.

Cattell, R. B. (1965). The Scientific Analysis of Personality. Penguin Books.

Cattell, R. B. (1972). El análisis científico de la personalidad (R. Cerni, trad.).

Fontanella (original publicado en 1965).

Cattell, R. B., & Kline, P. E. (1977). The scientific analysis of personality and

motivation. Academic Press.

https://doi.org/10.1037/0022-0663.83.3.405

https://psycnet.apa.org/doi/10.1037/h0054116

Referencias

286

Cattell, R. B., & Schuerger, J. M. (1978). Personality in action: Handbook for the

Objective- Analytic (O-A) Test kit. Institute for Personality and Ability

Testing (IPAT).

Cattell, R.B., & Warburton, F.W. (1967). Objective personality and motivation tests: a

theoretical introduction and practical compendium. University of Illinois

Press.


students. Procedia-Social and Behavioural Sciences, 78, 743-747.




microanalytic protocols. Education Research International, 2012.

https://doi.org/10.1155/2012/428639

Cleary, T. J., & Chen, P. P. (2009). Self-regulation, motivation, and math

achievement in middle school: Variations across grade level and math

context. Journal of School Psychology, 47(5), 291-314.


De las Cuevas, C., & González de Rivera, J. L. (1992). Autoinformes y respuestas

sesgadas. Anales de Psiquiatría, 8(9), 362-366.

http://psicoter.es/_arts/92_A109_09.pdf

Desimone, R., & Duncan, J. (1995). Neural mechanisms of selective visual

attention. Annual Review of Neuroscience, 18(1), 193-222.

https://doi.org/10.1146/annurev.ne.18.030195.001205

Dent, A. L., & Koenka, A. C. (2016). The relation between self-regulated learning

and academic achievement across childhood and adolescence: A meta-

analysis. Educational Psychology Review, 28(3), 425-474.

https://doi.org/10.1007/s10648-015-9320-8





https://doi.org/10.1155/2012/428639


http://psicoter.es/_arts/92_A109_09.pdf

https://doi.org/10.1146/annurev.ne.18.030195.001205

https://doi.org/10.1007/s10648-015-9320-8

Referencias

287

Assessment, 5(1), 2-24.


-


vestigation

Dignath, C., Buettner, G., & Langfeldt, H. P. (2008). How can primary school

students learn self-regulated learning strategies most effectively?: A meta-

analysis on self-regulation training programmes. Educational Research

Review, 3(2), 101-129. https://doi.org/10.1016/j.edurev.2008.02.003



learning. Educational Psychology Review, 20(4), 391-409.

https://doi.org/10.1007/s10648-008-9083-6

Duckworth, A. L., & Seligman, M. E. (2005). Self-discipline outdoes IQ in predicting

academic performance of adolescents. Psychological Science, 16(12), 939-

944. https://doi.org/10.1111/j.1467-9280.2005.01641.x

Dweck, C. S. (1986). Motivational processes affecting learning. American

Psychologist, 41(10), 1040–1048. https://doi.org/10.1037/0003-

066X.41.10.1040

Dompnier, B., Darnon, C., & Butera, F. (2009). Faking the desire to learn: A

clarification of the link between mastery goals and academic

achievement. Psychological science, 20(8), 939-943.

https://doi.org/10.1111/j.1467-9280.2009.02384.x

Dopson, J. C., Williams, N. A., Esber, G. R., & Pearce, J. M. (2010). Stimuli that signal

the absence of reinforcement are paid more attention than are irrelevant

stimuli. Learning and Behavior, 38(4), 337-347.

https://doi.org/10.3758/LB.38.4.337




https://www.researchgate.net/publication/284604049_Differences_in_self-regulatory_processes_among_students_studying_science_A_microanalytic_investigation




https://doi.org/10.1016/j.edurev.2008.02.003

https://doi.org/10.1007/s10648-008-9083-6

https://doi.org/10.1111/j.1467-9280.2005.01641.x



https://doi.org/10.1111/j.1467-9280.2009.02384.x

https://doi.org/10.3758/LB.38.4.337

Referencias

288

and Individual Differences, 51, 229-241.


Edwards, A. L. (1957). The social desirability variable in personality assessment and

research. Dryden Press.

Efklides, A. (2011). Interactions of metacognition with motivation and affect in

self-regulated learning: The MASRL model. Educational Psychologist, 46(1),

6-25. https://doi.org/10.1080/00461520.2011.538645

Egeth, H. E., Leonard, C. J., & Leber, A. B. (2010). Why salience is not enough:

Reflections on top-down selection in vision. Acta Psychologica, 135(2), 130-

132. https://doi.org/10.1016/j.actpsy.2010.05.012

Elliot, A.J. (1999). Approach and avoidance motivation and achievement goals.

Educational Psychologist, 34(3), 169-189.

https://doi.org/10.1207/s15326985ep3403_3

Elliot, S., Lawty-Jones, M., & Jackson, C. (1996). Effects of dissimulation on self-

report and objective measures of personality. Personality and Individual

Differences, 21(3), 335- 343. https://doi.org/10.1016/0191-

8869(96)00080-3

Elliot, A.J., McGregor, H.A. & Gable, S. (1999). Achievement goals, study strategies,

and exam performance: A mediational analysis. Journal of Educational

Psychology, 91(3), 549-563. https://doi.org/10.1037/0022-0663.91.3.549

Elliot, A. J., & Murayama, K. (2008). On the measurement of achievement goals:

Critique, illustration, and application. Journal of Educational Psychology,

100(3), 613–628. https://doi.org/10.1037/0022-0663.100.3.613

Feldmann-Wüstefeld, T., Uengoer, M., & Schubö, A. (2015). You see what you have

learned. Evidence for an interrelation of associative learning and visual

selective attention. Psychophysiology, 52(11), 1483-1497.

https://doi.org/10.1111/psyp.12514

Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of

cognitive–developmental inquiry. American psychologist, 34(10), 906-911.

https://doi.org/10.1037/0003-066X.34.10.906


https://doi.org/10.1080/00461520.2011.538645

https://doi.org/10.1016/j.actpsy.2010.05.012

https://doi.org/10.1207/s15326985ep3403_3

https://doi.org/10.1037/0022-0663.91.3.549

https://doi.org/10.1111/psyp.12514

https://doi.org/10.1037/0003-066X.34.10.906

Referencias

289

Folk, C. L., Remington, R. W., & Johnston, J. C. (1992). Involuntary covert orienting

is contingent on attentional control settings. Journal of Experimental

Psychology: Human perception and performance, 18(4), 1030-1044.

https://doi.org/10.1037/0096-1523.18.4.1030

Franke, G.H. (2002). Faking bad in personality inventories: Consequences for the

clinical context. Psychologische Beiträge, 44(1), 50-61.

https://search.proquest.com/scholarly-journals/faking-bad-personality-

inventories-consequences/docview/212182076/se-2?accountid=14478

Froján, M. X., Vargas de la Cruz, I., Calero Elvira, A., & Ruiz Sancho, E. M. (2010).

Categorización de la conducta verbal del cliente durante la reestructuración

cognitiva. Análisis y Modificación de Conducta, 36(153-154), 105-114.

http://dx.doi.org/10.33776/amc.v36i153-154.1063

Gardner, H. (2001): Estructuras de la Mente. La Teoría de las Inteligencias Múltiples

(S. Fernández, trad.). Fondo de Cultura Económica (original publicado en

1983).

García-Sevilla, J. (1997). Psicología de la atención. Síntesis.

Garrido, E. (1989). Aprendizaje vicario. En J. Mayor & J. L. Pinillos (Eds.), Tratado

de psicología general. Vol. 2. Aprendizaje y condicionamiento. (pp. 331-359).

Alhambra Universidad.

Genovard, C. & Gotzens, C. (1990). Psicología de la instrucción. Santillana.

George, D. N., & Pearce, J. M. (2012). A configural theory of attention and

associative

learning. Learning & Behavior, 40(3), 241-254. https://doi.org/10.3758/s13420-

012-0078-2

Goldsmith, H. H., & Rothbart, M. K. (1993). The laboratory temperament assessment

battery (LAB-TAB). University of Wisconsin.

https://doi.org/10.1037/0096-1523.18.4.1030

http://dx.doi.org/10.33776/amc.v36i153-154.1063

Referencias

290

Gondra, J. M. (2002). Hull frente a Tolman: Las discusiones del año 1934 sobre el

aprendizaje. Anuario De Psicología, 33(2), 277-289.

https://www.raco.cat/index.php/AnuarioPsicologia/article/view/61711

González, D., Jiménez, J. E., García, E., Díaz, A., Rodríguez, C., Crespo, P., & Artiles, C.

(2010). Prevalencia de las dificultades específicas de aprendizaje en la

Educación Secundaria Obligatoria. European Journal of Education and

Psychology, 3(2), 317-327. https://

https://redalyc.org/articulo.oa?id=129315468013

González Cabanach, R., Valle Arias, A., Núñez Pérez, J. C., & González-Pienda García,

J. A. (1996). Una aproximación teórica al concepto de metas académicas y su

relación con la motivación escolar. Psicothema, 8(1), 45-61.

http://hdl.handle.net/10651/29565

Grimm, P. (2010). Social desirability bias. Wiley International Encyclopedia of

Marketing.

Guay, F., Ratelle, C. F., Roy, A., & Litalien, D. (2010). Academic self-concept,

autonomous academic motivation, and academic achievement: Mediating

and additive effects. Learning and Individual Differences, 20(6), 644-653.


Guttmann, G., & Bauer, H. (2004). RISIKO – Risikoverhalten [Risk Behaviour]

[Software and Manual]. Schuhfried.




84). Routledge.

Hartman, H. J. (2001). Metacognition in learning and instruction: Theory, research

and practice. Kluwer Academic Publishers.

Hattie, J., Biggs, J., & Purdie, N. (1996). Effects of learning skills interventions on

student learning: A meta-analysis. Review of Educational Research, 66(2),

99–136. https://doi.org/10.3102/00346543066002099


https://redalyc.org/articulo.oa?id=129315468013

http://hdl.handle.net/10651/29565


https://doi.org/10.3102/00346543066002099

Referencias

291

Hearst, E. (1988). Fundamentals of learning and conditioning. En R. C. Atkinson, R. J.

Herrnstein, G. Lindzey, & R. D. Luce (Eds.), Stevens' handbook of

experimental psychology: Perception and motivation; Learning and

cognition (pp. 3–109). John Wiley & Sons.

Hernández, J.M. (2000). La personalidad: Elementos para su estudio. Biblioteca

Nueva.

Hernández, J.M., Santacreu, J. y Rubio, V.J. (1999). Evaluación de la personalidad.

Una alternativa teórica-metodológica. Escritos de Psicología, 3, 20-28.

Hilgard, E. & Bower, G. (1973). Teorías del aprendizaje (F. González, S. Sánchez, & E.

Galindo, trads., & H. Rodríguez, rev.). Mexico (original publicado en 1949).

Honig, W. K. (1966). Operant behavior: Areas of research and application. Appleton-

Century-Crofts.

Horn, W. F., & Packard, T. (1985). Early identification of learning problems: A

meta-analysis. Journal of Educational Psychology, 77(5), 597–

607. https://doi.org/10.1037/0022-0663.77.5.597

Horvath, M., Herleman, H. A., & McKie, R. L. (2006). Goal orientation, task difficulty,

and task interest: A multilevel analysis. Motivation and Emotion, 30(2), 169-

176. https://doi.org/10.1007/s11031-006-9029-6

Huang, C. (2011). Self-concept and academic achievement: A meta-analysis of

longitudinal relations. Journal of School Psychology, 49(5), 505-528.


Hull, C. L. (1943). Principles of behavior. Appleton.

Jasper, F., & Ortner, T. M. (2014). The tendency to fall for distracting information

while making judgments: development and validation of the Objective

Heuristic Thinking Test. European Journal of Psychological Assessment,

30(3), 193-207. https://doi.org/10.1027/1015-5759/a000214

Hundleby, J. D. (1973). The measurement of personality by objective tests. In P.

Kline (Ed.), New approaches in psychological measurement (pp. 185-231).

Wiley.


https://doi.org/10.1007/s11031-006-9029-6


https://doi.org/10.1027/1015-5759/a000214

Referencias

292

Kahneman, D. (1997). Atención y esfuerzo (J. Botella, trad.). Biblioteca Nueva

(original publicado en 1934).

Kantor, J. R. (1978). Psicología interconductual (M. Varela, trad. & E. Rayek, rev.).

Trillas (original publicado en 1959).

Keller, F.S. & Schoenfeld, W.D. (1979). Fundamentos de psicología (N. Daurella,

trad.). Fontanella (original publicado en 1950).

Kendall, P. C., & Wilcox, L. E. (1979). Self-control in children: Development of a

rating scale. Journal of Consulting and Clinical Psychology, 47(6), 1020–

1029. https://doi.org/10.1037/0022-006X.47.6.1020

Kimble, G.A. (1971). Hilgard y Marquis. Condicionamiento y aprendizaie (E. Ribes,

trad.). Trillas (original publicado en 1940)

Kostons, D., Van Gog, T., & Paas, F. (2009). How do i do? Investigating effects of

expertise and performance-process records on self-assessment. Applied

Cognitive Psychology: The Official Journal of the Society for Applied Research

in Memory and Cognition, 23(9), 1256-1265.

https://doi.org/10.1002/acp.1528

Kubinger, K. D. (2002). On faking personality inventories. Psychological Test and

Assessment Modeling, 44(1), 10-16. https://search.proquest.com/scholarly-

journals/on-faking-personality-inventories/docview/212173478/se-

2?accountid=14478

Kuhl, J. (1986). Motivation and information processing: A new look at decision

making, dynamic change, and action control. En R. M. Sorrentino & E. T.

Higgins (Eds.), Handbook of motivation and cognition: Foundations of social

behavior (p. 404–434). Guilford Press.

Linnenbrink-Garcia, L., Tyson, D. F., & Patall, E. A. (2008). When are achievement

goal orientations beneficial for academic achievement? A closer look at

main effects and moderating factors. Revue Internationale de Psychologie

Sociale, 21(1), 19-70. https://www.cairn-int.info/journal-revue-

internationale-de-psychologie-sociale-2008-1-page-19.htm


https://doi.org/10.1002/acp.1528

https://search.proquest.com/scholarly-journals/on-faking-personality-inventories/docview/212173478/se-2?accountid=14478



https://www.cairn-int.info/journal-revue-internationale-de-psychologie-sociale-2008-1-page-19.htm

https://www.cairn-int.info/journal-revue-internationale-de-psychologie-sociale-2008-1-page-19.htm

Referencias

293

Lovibond, P. F., & Shanks, D. R. (2002). The role of awareness in Pavlovian

conditioning: empirical evidence and theoretical implications. Journal of

Experimental Psychology: Animal Behavior Processes, 28(1), 3-26.

https://doi.org/10.1037/0097-7403.28.1.3

Mackintosh, N. J. (1975). From classical conditioning to discrimination learning. En

W.K Estes (Ed.), Handbook of learning and cognitive processes, vol. 1, (pp.

151-190). Lawrence Erlbaum Associates.

Malmierca, J. L. M. (2014). Evidencia de aprendizaje inconsciente generado

mediante priming asociativo enmascarado. Psicológica, 35(2), 291-308.

http://www.redalyc.org/articulo.oa?id=16931314007

Mayes, S. D., & Calhoun, S. L. (2007). Learning, attention, writing, and processing

speed in typical children and children with ADHD, autism, anxiety,

depression, and oppositional-defiant disorder. Child


https://doi.org/10.1080/09297040601112773

Mayes, S. D., Calhoun, S. L., Bixler, E. O., & Zimmerman, D. N. (2009). IQ and

neuropsychological predictors of academic achievement. Learning and



Mayor, J. & Pinillos, J. L. (1989). Tratado de psicología general. Vol. 2. Aprendizaje y

condicionamiento. Alhambra Universidad.

Markus, H. (1983). Self-knowledge: An expanded view. Journal of

personality, 51(3), 543-565. https://doi.org/10.1111/j.1467-

6494.1983.tb00344.x

Marsh, H. W., & Martin, A. J. (2011). Academic self-concept and academic

achievement: Relations and causal ordering. British Journal of Educational

Psychology, 81(1), 59-77. https://doi.org/10.1348/000709910X503501

Martin, G., & Pear, J. (1998). Modificación de conducta. Prentice Hall.

https://doi.org/10.1037/0097-7403.28.1.3

http://www.redalyc.org/articulo.oa?id=16931314007

https://doi.org/10.1080/09297040601112773


https://doi.org/10.1111/j.1467-6494.1983.tb00344.x

https://doi.org/10.1111/j.1467-6494.1983.tb00344.x

https://doi.org/10.1348/000709910X503501

Referencias

294

Meichenbaum, D. H., & Goodman, J. (1971). Training impulsive children to talk to

themselves: a means of developing self-control. Journal of Abnormal

Psychology, 77(2), 115 –126. https://doi.org/10.1037/h0030773

Michael, J. (1993). Establishing operations. The Behavior Analist, 16, 191-206.

https://doi.org/10.1007/BF03392623

Molero, C., Saiz, E., & Esteban, C. (1998). Revisión histórica del concepto de

inteligencia: una aproximación a la inteligencia emocional. Revista

Latinoamericana de Psicología, 30(1), 11-30.

http://hdl.handle.net/20.500.12466/1240



P. L. Harrison (Eds.), Contemporary Intellectual Assessment: Theories, Tests,

and Issues (pp. 120-135). The Guilford Press.

Nederhof, A. J. (1985). Methods of coping with social desirability bias: A

review. European Journal of Social Psychology, 15(3), 263-280.

https://doi.org/10.1002/ejsp.2420150303

Neuringer, A. (2002). Operant variability: Evidence, functions, and

theory. Psychonomic Bulletin & Review, 9(4), 672-705.

https://doi.org/10.3758/BF03196324

Nicholls, J.G. (1984). Achievement motivation: Conceptions of ability, subjective

experience, task choice, and performance. Psychological Review, 91(3), 328-

346. https://doi.org/10.1037/0033-295X.91.3.328

Nothdurft, H. C. (1992). Feature analysis and the role of similarity in preattentive

vision. Perception & Psychophysics, 52(4), 355-375.

https://doi.org/10.3758/bf03206697

Núñez, J.C. & González-Pienda, J.A. (1994). Determinantes del rendimiento

académico. Servicio de Publicaciones Universidad de Oviedo.

Núñez, J.C., González-Pienda, J.A., Carbonero, M.A., & Crespo, M.T. (1998).

Dificultades de Aprendizaje Escolar. In J.A. González-Pienda & J.C. Núñez

(coord.), Dificultades de Aprendizaje Escolar (pp. 45-65). Pirámide.

https://doi.org/10.1037/h0030773

https://doi.org/10.1007/BF03392623

http://hdl.handle.net/20.500.12466/1240

https://doi.org/10.1002/ejsp.2420150303

https://doi.org/10.3758/BF03196324

https://doi.org/10.1037/0033-295X.91.3.328

https://doi.org/10.3758/bf03206697

Referencias

295

Núñez, J. P., & de Vicente, F. (2004). Unconscious learning. Conditioning to

subliminal visual stimuli. The Spanish Journal of Psychology, 7(1), 13-28.

https://doi.org/10.1017/S1138741600004716

Öhman, A., & Soares, J. J. (1998). Emotional conditioning to masked stimuli:

expectancies for aversive outcomes following nonrecognized fear-relevant

stimuli. Journal of Experimental Psychology: General, 127(1), 69-82.

https://doi.org/10.1037/0096-3445.127.1.69

Organización para la Cooperación y el Desarrollo Económicos, OCDE. (2019). PISA

2018. Programa para la Evaluación Internacional de los Estudiantes. Informe

español. Secretaría General Técnica.

https://sede.educacion.gob.es/publiventa/pisa-2018-programa-para-la-

evaluacion-internacional-de-los-estudiantes-informe-espanol/evaluacion-

examenes/23505

Ortner, T. M., & Proyer, R. T. (2015). Objective personality tests. In T. M. Ortner & F.

J. R. van de Vijver (Eds.), Psychological assessment—science and practice.

Behavior-based assessment in psychology: Going beyond self-report in the

personality, affective, motivation, and social domains (p. 133–149). Hogrefe

Publishing.

Ortner, T. M., & Proyer, R. T. (2018). Behavioral and performance measures of

personality. En V. Zeigler-Hill, T. K. Shackelford (Eds.), Encyclopedia of

personality and individual differences (pp. 1-6). Springer International

Publishing. https://doi.org/10.1007/978-3-319-28099-8_1281-1

Ortner, T. M., & Schmitt, M. (2014). Advances and continuing challenges in

objective personality testing. European Journal of Psychological Assessment,

30(3), 163-168. https://doi.org/10.1027/1015-5759/a000213.

Panadero, E. (2017). A review of self-regulated learning: Six models and four

directions for research. Frontiers in Psychology, 8. Article 422.

https://doi.org/10.3389/fpsyg.2017.00422

https://doi.org/10.1017/S1138741600004716

https://doi.org/10.1037/0096-3445.127.1.69

https://sede.educacion.gob.es/publiventa/pisa-2018-programa-para-la-evaluacion-internacional-de-los-estudiantes-informe-espanol/evaluacion-examenes/23505



https://doi.org/10.1007/978-3-319-28099-8_1281-1

https://doi.org/10.1027/1015-5759/a000213

https://doi.org/10.3389/fpsyg.2017.00422

Referencias

296

Panadero, E., & Alonso-Tapia, J. (2014). Teorías de autorregulación educativa: una

comparación y reflexión teórica. Psicología Educativa, 20(1), 11-22.

https://doi.org/10.1016/j.pse.2014.05.002

Panadero, E., Broadbent, J., Boud, D., & Lodge, J. M. (2019). Using formative

assessment to influence self-and co-regulated learning: the role of

evaluative judgement. European Journal of Psychology of Education, 34(3),

535-557. https://doi.org/10.1007/s10212-018-0407-8

Parker, J. D., Creque Sr, R. E., Barnhart, D. L., Harris, J. I., Majeski, S. A., Wood, L. M.,

... & Hogan, M. J. (2004). Academic achievement in high school: does

emotional intelligence matter?. Personality and Individual Differences, 37(7),

1321-1330. https://doi.org/10.1016/j.paid.2004.01.002

Pavlov, I. P. (1960). Conditioned reflexes: An investigation of the physiological

activity of the cerebral cortex (G. V. Anrep, trad. y ed.). Dover (original

publicado en 1927).

Peverly, S. T., Brobst, K. E., Graham, M., & Shaw, R. (2003). College adults are not

good at self-regulation: A study on the relationship of self-regulation, note

taking, and test taking. Journal of Educational Psychology, 95(2), 335–346.

https://doi.org/10.1037/0022-0663.95.2.335.

Piaget, J. (1978). La equilibración de las estructuras cognitivas (E.Bustos, trad.).

Siglo XXI (original publicado en 1975).

Pintrich P. R. (2000). The role of goal orientation in self-regulated learning. In M.


(pp. 452-502.). Academic Press.



(MSLQ). Educational and Psychological Measurement, 53(3), 801-813.

https://doi.org/10.1177/0013164493053003024

Proyer, R. T., & Häusler, J. (2007). Assessing behavior in standardized settings. The

role of objective personality tests. International Journal of Clinical and

https://doi.org/10.1016/j.pse.2014.05.002

https://doi.org/10.1007/s10212-018-0407-8


https://doi.org/10.1037/0022-0663.95.2.335

https://doi.org/10.1177%2F0013164493053003024

Referencias

297

Health Psychology España, 7(2), 537-546. https://doi.org/10.5167/uzh-

3641

Purkey, W.W. (1970) Self-Concept and School Achievement. Prentice-Hall.


Shih, P. (2011). Evaluación Informatizada de la Atención para Niños de 7 a

11 Años: El DiViSA-UAM y el TACI-UAM [Computerized Assessment of

Attention for Children from 7 to 11 Years Old: DiViSA-UAM and TACI-UAM].

Clínica y Salud, 22(1), 3-20. https://doi.org/10.5093/cl2011v22n1a1


important role of homework. Journal of Advanced Academics, 22(2), 194-

218. https://doi.org/10.1177/1932202X1102200202

Rescorla, R.A. (1967). Pavlovian conditioning and its proper control procedures.

Psychological Review, 74, 71-80. https://doi.org/10.1037/h0024109

Ribes, E. (1982). Los eventos privados: Un problema para la teoría de la

conducta?. Revista Mexicana de Análisis de la Conducta, 8(1), 11–29.

http://dx.doi.org/10.5514/rmac.v8.i1.25750

Ribes, E. (1989). Un análisis teórico y conceptual de las teorías del aprendizaje. En

J. Mayor & J.L. Pinillos (Eds.), Tratado de Psicología General. Vol 2.

Aprendizaje y Condicionamiento (pp. 1-26). Alhambra Universidad.

Ribes, E. (1990). Problemas conceptuales en el análisis del comportamiento humano.

Trillas.

Ribes, E. (1999) Teoría del condicionamiento y lenguaje. Un análisis histórico y

conceptual. Taurus.

Ribes-Iñesta, E. (2007). Lenguaje, aprendizaje y conocimiento. Revista Mexicana de

Psicología, 24(1), 7-14.

https://www.uv.mx/rmipe/files/2014/05/rii_2007.pdf

Ribes, E. & López, F. (1985). Teoría de la conducta: Un análisis de campo y

paramétrico. Trillas.

https://doi.org/10.5167/uzh-3641

https://doi.org/10.5167/uzh-3641

https://doi.org/10.5093/cl2011v22n1a1

https://doi.org/10.1177/1932202X1102200202

https://doi.org/10.1037/h0024109

http://dx.doi.org/10.5514/rmac.v8.i1.25750

https://www.uv.mx/rmipe/files/2014/05/rii_2007.pdf

Referencias

298

Rivière, Á. (1991). Orígenes históricos de la psicología cognitiva: paradigma

simbólico y procesamiento de la información. Anuario de Psicología/The UB

Journal of Psychology, 51, 129-156. Retrieved from


Román J. & Gallego S. (1994). ACRA Escalas de estrategias de aprendizaje. TEA

Ediciones S. A.

Rosário, P., Núñez Perez, J. C., González-Pienda, J. A., Almeida, L. S., Soares, S., &

Rubio, M. (2005). El aprendizaje escolar examinado desde la perspectiva del

«Modelo 3P» de J. Biggs. Psicothema, 17(1), 20-30.


Roth, B., Becker, N., Romeyke, S., Schäfer, S., Domnick, F., & Spinath, F. M. (2015).

Intelligence and school grades: A meta-analysis. Intelligence, 53, 118-137.

https://doi.org/10.1016/j.intell.2015.09.002


education: a systematic literature review of self-report


225-250. https://doi.org/10.1007/s11092-015-9229-2

Rotter, J.B. (1954). Social learning and clinical psychology. Prentice Hall.

Rubio, V. J., Hernández, J. M., Zaldívar, F., Márquez, O., & Santacreu, J. (2010). Can

We Predict Risk-Taking Behavior?. European Journal of Psychological

Assessment, 26(2), 87-94. https://doi.org/10.1027/1015-5759/a000013.

Ryle, G. (2005). El concepto de lo mental (D.C. Dennett, rev. & E. A. Rabossi, trad.).

Paidós (original publicado en 1949).

Salovey, P., & Mayer, J. D. (1990). Emotional intelligence. Imagination, Cognition

and Personality, 9(3), 185-211. https://doi.org/10.2190/DUGG-P24E-

52WK-6CDG

Sanchez-Ruiz, M. J., Mavroveli, S., & Poullis, J. (2013). Trait emotional intelligence

and its links to university performance: An examination. Personality and





https://doi.org/10.1016/j.intell.2015.09.002

https://doi.org/10.1007/s11092-015-9229-2

https://doi.org/10.1027/1015-5759/a000013

https://doi.org/10.2190/DUGG-P24E-52WK-6CDG

https://doi.org/10.2190/DUGG-P24E-52WK-6CDG


Referencias

299

Santacreu, J., Hernández López, J. M., Adarraga, P., & Márquez, M. O. (2002). La

personalidad en el marco de una teoría del comportamiento humano.

Pirámide.

Santacreu, J. & Hernández, J.M. (2017). T-Data (Tests). En V. Zeigler-Hill y T.K.

Shackelford (eds.), Encyclopedia of Personality and Individual Differences.

Springer International Publishing. https://doi.org/10.1007/978-3-319-

28099-8_859-1

Santacreu, J., & Quiroga, M. A. (2016). Some children do not learn even while

paying attention: Their focus is on winning. Learning and Individual

Differences, 50, 175-181. https://doi.org/10.1016/j.lindif.2016.07.020



53-68.

https://search.proquest.com/docview/212203756/fulltext/5BCD07B8B75

C418EPQ/1?accountid=14478

Santacreu, J., Shih, P. C., & Quiroga, M. A. (2011). DiViSA, Test de Discriminación

Visual Simple de Árboles. Manual. Tea Ediciones.

Schmidt-Atzert, L. (2004). Objektiver Leistungsmotivations Test (OLMT) [Objective

Achievement Motivation Test] [Software and Manual]. Dr. G. Schuhfried

GmbH.


sessions in self-regulated learning: Time-series analyses of diary data.

Contemporary Educational Psychology, 31(1), 64-96.

https://doi.org/10.1016/j.cedpsych.2005.02.002

Schraw, G., & Dennison, R. S. (1994). Assessing metacognitive

awareness. Contemporary Educational Psychology, 19(4), 460-475.

https://doi.org/10.1006/ceps.1994.1033

Schunk, D. H. (1982). Effects of effort attributional feedback on children's

perceived self-efficacy and achievement. Journal of Educational Psychology,

74(4), 548–556. https://doi.org/10.1037/0022-0663.74.4.548

https://doi.org/10.1007/978-3-319-28099-8_859-1

https://doi.org/10.1007/978-3-319-28099-8_859-1


https://doi.org/10.1016/j.cedpsych.2005.02.002

https://doi.org/10.1006/ceps.1994.1033

https://doi.org/10.1037/0022-0663.74.4.548

Referencias

300

Schunk, D. H. (1991). Self-efficacy and academic motivation. Educational

Psychologist, 26(3-4), 207-231.

https://doi.org/10.1080/00461520.1991.9653133

Schunk, D. H., & Zimmerman, B. J. (1998). Self-regulated learning:

From teaching to self-reflective practice. The Guilford Press.

Shavelson, R. J., Hubner, J. J., & Stanton, G. C. (1976). Self-concept: Validation of

construct interpretations. Review of Educational Research, 46(3), 407-441.

https://doi.org/10.3102/00346543046003407

Shi, K., Peng, W., Wang, W., Zuo, Y., Liu, D., Maehr, M.L., Mu, X., Linnenbrink, L., &

Hruda, L. (2001). Goals and Motivation of Chinese Students — Testing the

Adaptive Learning Model. En: Salili F., Chiu C.Y., Hong Y.Y. (eds). Student

Motivation. Plenum Series on Human Exceptionality. Springer.

https://doi.org/10.1007/978-1-4615-1273-8_12

Sierra, J.C. & Buela-Casal, G. (2001). Past and present of behavioral assessment.

International Journal of Clinical and Health Psychology, 1(2), 225-236.

https://psycnet.apa.org/record/2002-10555-001


related training and educational attainment: What we know and where we

need to go. Psychological Bulletin, 137(3), 421–

442. https://doi.org/10.1037/a0022777

Skinner, B. F. (1945). The operational analysis of psychological terms.

Psychological Review, 52(5), 270-277. https://doi.org/10.1037/h0062535

Skinner, B. F. (1963). Behaviorism at fifty: The rapid growth of a scientific analysis

of behavior calls for a restatement of the philosophy of psychology. Science,

140(3570), 951-958. https://doi.org/10.1126/science.140.3570.951

Skinner, B. F. (1966). The behavior of organisms: An experimental analysis (R.M.

Elliott, ed.). Appleton-Century-Crofts (original publicado en 1938).

Skinner, B. F. (1981). Conducta verbal (S. Gómez, rev. & R. Ardila, trad.). Trillas


https://doi.org/10.1080/00461520.1991.9653133

https://doi.org/10.3102/00346543046003407

https://doi.org/10.1007/978-1-4615-1273-8_12

https://psycnet.apa.org/record/2002-10555-001

https://doi.org/10.1037/a0022777

https://doi.org/10.1037/h0062535

https://doi.org/10.1126/science.140.3570.951

Referencias

301

Skinner, N.S.F. & Howarth, E. (1973). Cross-media independence of questionnaire

and objective test personality factors. Multivariate Behavioral Research,

8(1), 23-40. https://doi.org/10.1207/s15327906mbr0801_2

Staats, A. W. (1979). Conductismo social (A. Vázquez & J.G. Zúñiga, trads. & C.H.

García, rev.). El Manual Moderno (original publicado en 1975).

Staats, A. W. (1983). Paradigmatic behaviorism: Unified theory for social-

personality psychology. Advances in Experimental Social Psychology, 16,

125-179. https://doi.org/https://doi.org/10.1016/S0065-2601(08)60395-

0

Staats, A.W. (1997). Conducta y Personalidad. Conductismo psicológico (J. M.

Carrillo, trad.). Desclée de Brouwer (original publicado en 1996).

Tangney, J. P., Baumeister, R. F., & Boone, A. L. (2004). High self-control predicts

good adjustment, less pathology, better grades, and interpersonal

success. Journal of Personality, 72(2), 271-324.

https://doi.org/10.1111/j.0022-3506.2004.00263.x

Terman, L. M., & Merrill, M. A. (1937). Measuring intelligence: A guide to the

administration of the new revised Stanford-Binet tests of

intelligence. Houghton Mifflin.

Theeuwes, J. (2004). Top-down search strategies cannot override attentional

capture. Psychonomic Bulletin & Review, 11(1), 65-70.

https://doi.org/10.3758/BF03206462

Theeuwes, J. (2010). Top–down and bottom–up control of visual selection. Acta

psychologica, 135(2), 77-99. https://doi.org/10.1016/j.actpsy.2010.02.006

Thorndike, E. L. (1911). Animal intelligence: Experimental studies. Macmillan.

Thorndike, E.L. (1920). A constant error in psychological ratings. Journal of Applied

Psychology, 4(1), 25–29. https://doi.org/10.1037/h0071663

Tolman, E. C. (1948). Cognitive maps in rats and men. Psychological Review, 55(4),

189-208. https://doi.org/10.1037/h0061626

https://doi.org/10.1207/s15327906mbr0801_2

https://doi.org/https:/doi.org/10.1016/S0065-2601(08)60395-0

https://doi.org/https:/doi.org/10.1016/S0065-2601(08)60395-0

https://doi.org/10.1111/j.0022-3506.2004.00263.x

https://doi.org/10.3758/BF03206462

https://doi.org/10.1016/j.actpsy.2010.02.006

https://psycnet.apa.org/doi/10.1037/h0071663

https://doi.org/10.1037/h0061626

Referencias

302

Tolman, E. C. (1949). Purposive behaviour in animals and men. University of

California Press (original publicado en 1932).

Tudela, P. (1992). Atención. En J. Mayor & J. L. Pinillos (Eds.) Tratado de Psicología

General. Vol. 3. Atención y Percepción. (pp. 119-162). Alhambra Universidad.

Valle Arias, A., Barca Lozano, A., González Cabanach, R., & Núñez Pérez, J.C. (1999).

Las estrategias de aprendizaje revisión teórica y conceptual. Revista

Latinoamericana de Psicología, 31(3), 425-461.

https://www.redalyc.org/articulo.oa?id=80531302

van Loon, M., Destan, N., Spiess, M.A., de Bruin, A., & Roebers, C.M. (2017).

Developmental progression in performance evaluations: Effects of

children's cueutilization and self-protection. Learning and Instruction, 51,

47-60. http://dx.doi.org/10.1016/j.learninstruc.2016.11.011

Veenman, M. V., Van Hout-Wolters, B. H., & Afflerbach, P. (2006). Metacognition

and learning: Conceptual and methodological considerations. Metacognition

and Learning, 1(1), 3-14. https://doi.org/10.1007/s11409-006-6893-0

Viswesvaran, C., & Ones, D. S. (1999). Meta-analyses of fakability estimates:

Implications for personality measurement. Educational and Psychological

Measurement, 59(2), 197-210.

https://doi.org/10.1177/00131649921969802

Von Suchodoletz, A., Trommsdorff, G., Heikamp, T., Wieber, F., & Gollwitzer, P. M.

(2009). Transition to school: The role of kindergarten children's behavior

regulation. Learning and Individual Differences, 19(4), 561-566.


Vrugt, A., & Oort, F. J. (2008). Metacognition, achievement goals, study strategies

and academic achievement: pathways to achievement. Metacognition and

Learning, 3(2), 123-146. https://doi.org/10.1007/s11409-008-9022-4

Vygotsky, L. (1995). Pensamiento y lenguaje (A. Kozulin, ed. & P. Tosaus,

trad.). Paidós (original publicado en 1934).

https://www.redalyc.org/articulo.oa?id=80531302


https://doi.org/10.1007/s11409-006-6893-0

https://doi.org/10.1177/00131649921969802


https://doi.org/10.1007/s11409-008-9022-4

Referencias

303

Vygotsky, L.S. (1979). El desarrollo de los procesos psicológicos superiores. (M. Cole,

V. John-Steiner, S.Scribner & E. Souberman, eds. & S. Furió, trad.). Crítica


Watson, J. B. (1913). Psychology as the behaviorist views it. Psychological Review,

20(2), 158-177. https://doi.org/10.1037/h0074428

Wertheimer, M. (1959). Productive Thinking (M. Wertheimer, ed.). Greenwood

Press (original publicado en 1945).

Wechsler, D. (2003). WISC-IV: Escala de Inteligencia de Wechsler para Niños-IV. TEA

Ediciones.

Weinstein, C. E., Palmer, D., & Schulte, A. C. (1987). Learning and Study Strategies

Inventory (LASSI). H & H Publishing.

Winne, P. H. (1996). A metacognitive view of individual differences in self-

regulated learning. Learning and Individual Differences, 8(4), 327-353.

https://doi.org/10.1016/S1041-6080(96)90022-9


learning. En B. J. Zimmerman & D. H. Schunk (Eds.), Handbook of Self-

Regulation of Learning and Performance (pp. 15-32). Routledge.

Winne, P. H., & Perry, N. E. (2000). Measuring self-regulated learning. En M.

Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-

regulation (pp. 531-566). Academic Press.

Wirth, J., & Leutner, D. (2008). Self-regulated learning as a competence:

Implications of theoretical models for assessment methods. Zeitschrift für

Psychologie/Journal of Psychology, 216(2), 102-110.

https://doi.org/10.1027/0044-3409.216.2.102

Ziegler, M., Schmukle, S., Egloff, B., & Bühner, M. (2010). Investigating measures of

achievement motivation(s). Journal of Individual Differences, 31(1), 15-21.

https://doi.org/10.1027/1614-0001/a000002

https://doi.org/10.1037/h0074428

https://doi.org/10.1016/S1041-6080(96)90022-9

https://doi.org/10.1027/0044-3409.216.2.102

https://doi.org/10.1027/1614-0001/a000002

Referencias

304

Zimmerman, B. J. (1986). Becoming a self-regulated learner: Which are the key

subprocesses?. Contemporary Educational Psychology, 11(4), 307-313.

https://doi.org/10.1016/0361-476X(86)90027-5

Zimmerman, B. J. (1990). Self-regulated learning and academic achievement: An

overview. Educational Psychologist, 25(1), 3-17.

https://doi.org/10.1207/s15326985ep2501_2

Zimmerman, B. J. (1995). Self-regulation involves more than metacognition: A

social cognitive perspective. Educational Psychologist, 30(4), 217-221.

https://doi.org/10.1207/s15326985ep3004_8



Regulation (pp. 13–40). Academic Press. https://doi.org/10.1016/b978-

012109890-2/50031-7


Into Practice, 41(2), 64-70. https://doi.org/10.1207/s15430421tip4102_2

Zimmerman, B. J. (2013). From cognitive modeling to self-regulation: A social

cognitive career path. Educational Psychologist, 48(3), 135-147.

https://doi.org/10.1080/00461520.2013.794676




https://doi.org/10.3102/00028312023004614

Zimmerman, B. J., & Martinez-Pons, M. (1988). Construct validation of a strategy

model of student self-regulated learning. Journal of Educational

Psychology, 80(3), 284 –290. https://doi.org/10.1037/0022-0663.80.3.284

Zimmerman, B. J., Bandura, A., & Martinez-Pons, M. (1992). Self-motivation for

academic attainment: The role of self-efficacy beliefs and personal goal

setting. American educational research journal, 29(3), 663-676.

https://doi.org/10.3102/00028312029003663

https://doi.org/10.1016/0361-476X(86)90027-5

https://doi.org/10.1207/s15326985ep2501_2

https://doi.org/10.1207/s15326985ep3004_8

https://doi.org/10.1016/b978-012109890-2/50031-7

https://doi.org/10.1016/b978-012109890-2/50031-7


https://doi.org/10.1080/00461520.2013.794676

https://doi.org/10.3102/00028312023004614

https://doi.org/10.1037/0022-0663.80.3.284

https://doi.org/10.3102/00028312029003663

Referencias

305

Zimmerman, B. J., & Moylan, A. R. (2009). Self-regulation: Where metacognition and

motivation intersect. En D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), The

educational psychology series. Handbook of metacognition in education (p.

299–315). Routledge/Taylor & Francis Group.

Anexo A. Modelo de consentimiento informado

307


Evaluación de Competencias

Información sobre la investigación: Desde la Universidad Autónoma de Madrid se está llevando a cabo un proyecto de investigación para evaluar los patrones de comportamiento. Para ello se han desarrollado diversas pruebas informatizadas. Estas pruebas se presentan como un videojuego y se pretende en último término analizar la existencia de diferentes patrones a la hora de completar la tarea y su relación con otras variables como el sexo, la edad o las calificaciones académicas. La investigación se llevará a cabo en línea y de manera individual. Asimismo, se solicitará de forma previa a la sesión que se rellene un formulario con información sobre las notas académicas. Para que este proyecto pueda llevarse a cabo, se hace imprescindible la colaboración de personas que quieran participar en la prueba y, al mismo tiempo, nos permitan analizar los resultados de su participación. Por este motivo nos gustaría solicitar tu consentimiento para poder llevar a cabo esta investigación.

Participación y confidencialidad: Tu participación en este estudio es voluntaria, por lo que en cualquier momento puedes retirarte del mismo sin dar explicaciones. Los investigadores no te reprocharán nada si decides retirarte, ni habrá ninguna consecuencia académica negativa. Por otra parte, los datos recogidos serán considerados confidenciales y sólo serán utilizados por los investigadores con fines científicos. La identificación entre tus datos personales y los datos recogidos en este estudio la conocerá y archivará únicamente la persona del equipo investigador que dirige la presente investigación: Cristina Casadevante. En caso de comunicar estos resultados a la comunidad científica, ninguno de tus datos personales, incluyendo tu identidad, serán revelados. Si tienes alguna duda sobre el estudio o te gustaría comentar algún aspecto de esta información, informa por favor a cualquiera de los miembros del grupo investigador. Puedes contactar con ellos en este momento, o más adelante acudiendo personalmente al Despacho/Laboratorio 6 de la Facultad de Psicología, por correo electrónico [email protected], o por teléfono (91 497 3289). Asimismo, puedes realizar una reclamación en caso de cualquier incumplimiento ético o de la compensación académica a que esta participación dé derecho a través de la web de PsInvestiga (accesible en www.uam.es/psicologia).

Si una vez leída esta información y aclaradas las dudas que pudieran haberte surgido decides participar, deberás firmar la siguiente declaración de consentimiento.

DECLARACIÓN DE CONSENTIMIENTO

Yo, Don/Dña. ……………………………………………………………….. (El/la participante) he leído el documento de consentimiento informado que me ha sido entregado, he comprendido las explicaciones en él facilitadas acerca de la investigación que se está llevando a cabo en la Universidad Autónoma de Madrid y he podido resolver todas las dudas y preguntas que he planteado al respecto. También comprendo que, en cualquier momento y sin necesidad de dar ninguna explicación, puedo revocar el consentimiento que ahora presento. También he sido informado/a de que mis datos personales serán protegidos y serán utilizados únicamente con fines de investigación.

Tomando todo ello en consideración y en tales condiciones, CONSIENTO participar en este programa y que los datos que se deriven de mi participación sean utilizados para cubrir los objetivos especificados en el proyecto.


308

En ……………………….., a …... de ……………….. de 20..…

Firmado:

Don/Dña. _______________________________________ (El/la participante)

___________________________________ Esta investigación cumple con los requisitos éticos establecidos por el Comité de Ética de la Investigación de la UAM (http://www.uam.es/otros/ceiuam/) y, por consiguiente, con los principios establecidos en la Declaración de Helsinki, en el Convenio del Consejo de Europa relativo a los derechos humanos y la biomedicina y en la Declaración de la UNESCO sobre el genoma humano y los derechos humanos. Asimismo, cumple la legislación española en el ámbito de la investigación biomédica y la protección de datos de carácter personal: Ley Orgánica 15/1999, de Protección de Datos de Carácter Personal, Ley 41/2002 básica reguladora de la autonomía del paciente y de derechos y obligaciones en materia de información y documentación clínica y Ley 14/2007 de investigación biomédica.

evaluación objetiva del aprendizaje y las variables de

Documents