Dos textos sobre inmersión dual: asociación frente a causalidad
Un estudiante prepara un párrafo de síntesis para un debate escolar sobre el programa de inmersión dual de la Escuela Sandía, en Albuquerque. El primer texto, una nota del distrito, informa: «El programa comenzó en 2018 con 48 estudiantes. En 2023, el 78 % de los estudiantes de quinto grado alcanzó nivel competente en lectura en español y el 81 % en inglés, frente al 64 % y el 70 % del distrito». El segundo texto es una carta de una maestra del programa: «Esos porcentajes comparan cohortes distintas; en 2018 el programa recibió familias que ya leían en casa en ambos idiomas. Además, 9 de los 48 estudiantes iniciales se mudaron y no aparecen en los resultados de 2023. El programa es valioso, pero la nota de prensa confunde selección con efecto». El estudiante quiere afirmar que el programa «causó» una mejora, pero no está seguro de que los datos lo permitan. Debe usar ambos textos y evitar una conclusión que exagere.
1. ¿Qué diferencia hay entre «el programa produjo mejores resultados» y «los estudiantes del programa obtuvieron mejores resultados»? Usa los datos.
Read the worked answer
La segunda frase es descriptiva y se apoya en los porcentajes: 78 % frente a 64 % en español y 81 % frente a 70 % en inglés. La primera es causal y exige descartar selección, maduración y attrition. La maestra señala que las cohortes no son equivalentes: familias que ya leían en casa en ambos idiomas pudieron autoseleccionarse.
También faltan 9 de 48 estudiantes iniciales (casi el 19 %), y si esos estudiantes tenían resultados distintos, los porcentajes de 2023 están sesgados. Por eso puedo escribir «los estudiantes del programa alcanzaron...», pero no «el programa causó...» sin un diseño longitudinal o cuasi-experimental.
2. ¿Cómo integrarías la carta de la maestra sin descartar la nota de prensa?
Read the worked answer
La usaría como control de calidad de la evidencia, no como refutación total. Estructura: 1) presento el dato del distrito como asociación («los resultados coinciden con...»); 2) introduzco la carta para limitar la interpretación («sin embargo, la comparación entre cohortes y la pérdida de 9 estudiantes impiden atribuir la mejora al programa»); 3) cierro con una cautela propositiva («se necesitan datos de seguimiento»).
Razonamiento: no todo dato con limitaciones es inútil; sirve para describir, no para probar causalidad. Evito el todo o nada y muestro pensamiento crítico.
3. ¿Qué detalle numérico es más útil para explicar el sesgo de attrition y por qué?
Read the worked answer
El más útil es 9 de 48 (18,75 %), porque cuantifica la pérdida y permite decir que no es un detalle menor. Si esos 9 estudiantes se mudaron por dificultades académicas o económicas, su ausencia podría inflar los porcentajes. No puedo saberlo con los textos, así que lo presento como riesgo, no como prueba.
Razonamiento: la attrition es sesgo cuando la pérdida no es aleatoria; el número ayuda a dimensionar el problema, pero no a resolverlo. Una frase precisa: «Casi una quinta parte de la cohorte inicial no aparece en los resultados, lo que limita la comparación».