El estadístico educativo que aplica teorías al aprendizaje en el mundo real.
Ethan M. McCormick utiliza datos complejos para fundamentar las intervenciones educativas.
Entrevistado:
Entrevista realizada por:
Ethan M. McCormick desarrolla herramientas estadísticas para medir cómo cambian los niños con el tiempo, de modo que el apoyo pueda dirigirse de forma eficaz. Annie Brookman-Byrne nos cuenta más.
Annie Brookman-Byrne:¿Qué intentas comprender sobre el desarrollo infantil a lo largo del tiempo y cómo?
Ethan McCormick: Las habilidades, los comportamientos y las experiencias de un niño evolucionan a lo largo de días, meses y años. Quiero comprender cómo y por qué. Muchas teorías sobre el desarrollo y el aprendizaje infantil no son lineales: hablamos de estirones, estancamientos y puntos de inflexión. El desarrollo también es dinámico: los éxitos o los fracasos de hoy influyen en el desempeño y la participación de los niños mañana.
“Muchas teorías sobre cómo se desarrollan y aprenden los niños no son lineales: hablamos de estirones de crecimiento, estancamientos y puntos de inflexión.”
Mi trabajo consiste en crear modelos estadísticos para estos procesos complejos. Mi objetivo es estimar los resultados de los niños a partir de modelos no lineales complejos; distinguir los ciclos de comportamiento a corto plazo de las tendencias de crecimiento a largo plazo; y vincular las diferencias individuales en el desarrollo y el aprendizaje con los resultados en la vida adulta. Esto es importante porque un modelado estadístico deficiente no solo produce resultados imprecisos, sino que también puede llevar a conclusiones erróneas. Con buenos modelos estadísticos, podemos comprender cuándo un niño necesita una intervención específica para ayudarle a adquirir una habilidad importante.
ABB: ¿Qué te impulsó a trabajar en estas cuestiones?
EMC: Al principio de mi carrera trabajé en proyectos aplicados relacionados con el aprendizaje y la toma de decisiones en adolescentes. En repetidas ocasiones, la investigación que quería llevar a cabo se topaba con las limitaciones de las herramientas estadísticas. Podíamos describir las diferencias promedio, pero nos costaba comprobar cómo cambiaban los individuos. Queríamos saber, por ejemplo, cómo la retroalimentación de hoy influye en el aprendizaje de mañana. Esa tensión me llevó al campo de los métodos cuantitativos.
“Queríamos saber cómo la retroalimentación de hoy influye en el aprendizaje del mañana.”
Buscaba modelos estadísticos lo suficientemente complejos como para ajustarse a nuestras teorías del desarrollo, pero a la vez precisos y accesibles para que los investigadores aplicados pudieran utilizarlos. Alterno constantemente entre el desarrollo de métodos estadísticos y su aplicación en el mundo real. Ambos procesos se retroalimentan. La transferencia de conocimiento es un elemento central de mi investigación y, a la vez, un factor clave en el valor que aporto a este campo.
ABB: ¿Cómo ayudará su investigación a los niños?
EMC: Gran parte de mi trabajo se centra en proporcionar a investigadores y educadores herramientas más precisas para medir el comportamiento y el aprendizaje "en la práctica", en lugar de en un laboratorio. La gran cantidad de datos disponibles para fundamentar decisiones e intervenciones ha crecido tan rápidamente que los métodos de resumen y predicción no han tenido tiempo de ponerse al día.
Mi objetivo es impulsar el trabajo en áreas que impactan directamente el aprendizaje y el bienestar general de los niños. Por ejemplo, intento identificar indicadores de dificultades en el aprendizaje para poder dirigir los recursos didácticos de manera eficaz. También pronostico eventos negativos que afectan a jóvenes en situación de riesgo, para prevenirlos. Además, trabajo para identificar factores de riesgo tempranos que puedan provocar el retraso en el desarrollo infantil a largo plazo, de modo que se les pueda brindar apoyo precoz. Todos estos problemas requieren el máximo rigor técnico y validación para garantizar que las decisiones sean específicas, equitativas y oportunas.
ABB: ¿Podrías dar un ejemplo de cómo este trabajo puede ayudar a los educadores?
EMC: Una de las conclusiones más importantes que encontramos al utilizar estos modelos de aprendizaje dinámico es la importancia de la variabilidad en el comportamiento, no solo en el rendimiento general promedio. Consideremos los perfiles de dos estudiantes: uno que obtiene consistentemente puntuaciones entre el 75 % y el 85 %, y otro que obtiene entre el 65 % y el 95 %. Mi trabajo y el de otros sugieren que, para lograr el éxito a largo plazo, estos dos perfiles de aprendizaje y rendimiento requieren diferentes apoyos por parte de los educadores a lo largo del tiempo. En el caso de los estudiantes con mayor variabilidad, puede ser especialmente difícil distinguir los altibajos habituales de los posibles desafíos a largo plazo, y crear herramientas adicionales que ayuden a los educadores a diferenciar estos dos patrones es un objetivo fundamental para futuras investigaciones.
ABB: ¿Qué ideas te entusiasman más para desarrollar próximamente?
EMC: Las experiencias cotidianas de los niños en cuanto a aprendizaje, estrés y sueño interactúan con su desarrollo a largo plazo. Estoy creando modelos que integran datos de registros de aprendizaje en aplicaciones con datos sobre el desarrollo a largo plazo. Esto nos permitirá conectar diferentes escalas temporales y analizar cómo las dinámicas a corto plazo se combinan para producir cambios duraderos. Existen numerosos problemas interesantes y desafiantes que abordar para que estos modelos puedan capturar la complejidad de los datos.
“Las experiencias cotidianas de los niños en cuanto a aprendizaje, estrés y sueño interactúan con su crecimiento a largo plazo.”
También me entusiasma colaborar con otros profesionales para mejorar la equidad en las evaluaciones educativas y de salud mental. Las experiencias culturales, personales y educativas influyen en cómo el estudiante interactúa con las evaluaciones. Estamos desarrollando modelos que reducen el sesgo derivado de las experiencias individuales. Estos modelos buscan incorporar dicha información en lugar de simplemente controlarla o descartarla. Como resultado, las decisiones serán más justas y se adaptarán mejor a la diversidad del alumnado.
Entrevistado:
Entrevista realizada por:
Notas a pie de página
Ethan M. McCormick desarrolla y aplica nuevos métodos cuantitativos, especialmente modelos longitudinales, de series temporales y psicométricos, para comprender cómo se desarrollan el aprendizaje y el desarrollo a lo largo del tiempo. Su trabajo se centra en modelos de cambio interpretables y reproducibles que los investigadores aplicados pueden utilizar para responder preguntas basadas en la teoría. Artículos recientes introducen la estimación lineal con inferencia no lineal, aclaran cuándo y cómo modelar el "cambio" y proporcionan herramientas basadas en principios para predecir resultados distales del crecimiento. Ethan combina el desarrollo de métodos con software de código abierto, tutoriales y talleres para que estas herramientas lleguen a docentes, clínicos e investigadores que trabajan con niños y adolescentes. Ethan es un estudiante de 2024-2026 Jacobs Foundation Investigador asociado.
De Ethan sitio weby Ethan en Google Scholar.
Esta entrevista fue editada para mayor claridad.