Profesión Docente y Justicia Global — Análisis Descriptivo
Cataluña y España
library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
library(stringr)
library(scales)
library(knitr)
library(kableExtra)
library(patchwork)# ── Paleta de azules ─────────────────────────────────────────────
azul1 <- "#084594"
azul2 <- "#2171B5"
azul3 <- "#4292C6"
azul4 <- "#6BAED6"
azul5 <- "#9ECAE1"
azul6 <- "#C6DBEF"
azul7 <- "#DEEBF7"
escala_blues <- c(azul1, azul2, azul3, azul4, azul5, azul6, azul7)
# Colores por contexto: Cataluña (azul oscuro), España resto (azul claro), Total (navy)
col_ctx <- c("Cataluña" = azul2, "España (resto)" = azul5, "Total" = azul1)
tema_epjg <- theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold", colour = azul1, size = 14),
plot.subtitle = element_text(colour = azul2, size = 11),
axis.title = element_text(colour = azul1),
axis.text = element_text(colour = "#333333"),
legend.position = "bottom",
legend.title = element_text(colour = azul1, face = "bold"),
panel.grid.major = element_line(colour = "#e8f0f7"),
panel.grid.minor = element_blank(),
strip.text = element_text(face = "bold", colour = azul1),
plot.caption = element_text(colour = "#888888", size = 9)
)ruta_cat <- read_excel("Cataluña Professió Docent i Justícia Global (1-538).xlsx")
ruta_esp <- read_excel("ESPAÑA Profesión Docente y Justicia Global (2)(1-483).xlsx")
raw_cat <- ruta_cat
raw_esp <- ruta_esp# ── Funciones de limpieza ─────────────────────────────────────────
limpiar_tipologia <- function(x) {
x <- str_trim(x)
case_when(
str_detect(x, regex("rural|poble", ignore_case = TRUE)) ~ "Rural",
str_detect(x, regex("urban|ciudad|ciutat", ignore_case = TRUE)) ~ "Urbana",
str_detect(x, regex("Institut|instituto|IES|IFE", ignore_case = TRUE)) ~ "Instituto/IES",
str_detect(x, regex("complexit|complexa|complejidad|alta", ignore_case = TRUE)) ~ "Alta complejidad",
TRUE ~ x
)
}
limpiar_ambito <- function(x) {
x <- str_trim(x)
case_when(
str_detect(x, regex("infantil", ignore_case = TRUE)) ~ "Ed. Infantil",
str_detect(x, regex("primàr|primari|primaria", ignore_case = TRUE)) ~ "Ed. Primaria",
str_detect(x, regex("secundàr|secundari|secundaria", ignore_case = TRUE)) ~ "Ed. Secundaria",
str_detect(x, regex("batxiller|bachiller", ignore_case = TRUE)) ~ "Bachillerato",
str_detect(x, regex("formació professional|formación profesional", ignore_case = TRUE)) ~ "FP",
str_detect(x, regex("adults|adultos", ignore_case = TRUE)) ~ "Ed. Adultos",
str_detect(x, regex("especial", ignore_case = TRUE)) ~ "Ed. Especial",
TRUE ~ x
)
}
# ── CATALUÑA ──────────────────────────────────────────────────────
cat_df <- raw_cat %>%
select(
id = 1, edad = 8, genero = 9, formacion = 10, experiencia = 14,
ambito = 15, regimen = 17, tipologia = 18,
con_propio = 19, con_centro = 20, importancia = 21,
sup_ecologismo = 23, sup_pacifismo = 24, sup_feminismo = 25,
sup_der_hum = 26, sup_lgtbiq = 27, sup_antirac = 28, sup_anticap = 29,
imp_genero = 30, imp_paz = 31, imp_derechos = 32, imp_just_eco = 33,
imp_just_amb = 34, imp_intercult = 35, imp_bienestar = 36,
imp_rel_educ = 37, imp_digital = 38, imp_tecnologia = 39,
trab_genero = 40, trab_paz = 41, trab_derechos = 42, trab_just_eco = 43,
trab_just_amb = 44, trab_intercult = 45, trab_bienestar = 46,
trab_rel_educ = 47, trab_digital = 48, trab_tecnologia = 49,
formato_pref = 73
) %>%
mutate(
contexto = "Cataluña",
genero = case_when(
genero == "Femení" ~ "Femenino",
genero == "Masculí" ~ "Masculino",
TRUE ~ "No informa"
),
formacion = case_when(
str_detect(formacion, "Doctorat") ~ "Doctorado",
str_detect(formacion, "Màster|Postgrau") ~ "Máster/Postgrado",
str_detect(formacion, "Grau|Llicenciatura|Diplomatura") ~ "Grado/Licenciatura",
TRUE ~ "No informa"
),
regimen = str_trim(regimen),
regimen = case_when(
str_detect(regimen, "úblic") ~ "Público",
str_detect(regimen, "oncert") ~ "Concertado",
TRUE ~ regimen
),
tipologia = limpiar_tipologia(tipologia),
ambito = limpiar_ambito(ambito),
edad = as.numeric(edad),
edad = ifelse(edad > 100, NA_real_, edad),
experiencia = str_replace_all(str_trim(as.character(experiencia)),
c("anys" = "años", "Més de" = "Más de")),
across(c(con_propio, con_centro, importancia,
sup_ecologismo:sup_anticap,
imp_genero:imp_tecnologia), as.numeric)
)
# ── ESPAÑA (RESTO) ────────────────────────────────────────────────
esp_df <- raw_esp %>%
select(
id = 1, edad = 8, genero = 9, formacion = 10, experiencia = 14,
ambito = 15, ccaa = 17, regimen = 18, tipologia = 19,
con_propio = 20, con_centro = 21, importancia = 22,
sup_ecologismo = 24, sup_pacifismo = 25, sup_feminismo = 26,
sup_der_hum = 27, sup_lgtbiq = 28, sup_antirac = 29, sup_anticap = 30,
imp_genero = 31, imp_paz = 32, imp_derechos = 33, imp_just_eco = 34,
imp_just_amb = 35, imp_intercult = 36, imp_bienestar = 37,
imp_rel_educ = 38, imp_digital = 39, imp_tecnologia = 40,
trab_genero = 41, trab_paz = 42, trab_derechos = 43, trab_just_eco = 44,
trab_just_amb = 45, trab_intercult = 46, trab_bienestar = 47,
trab_rel_educ = 48, trab_digital = 49, trab_tecnologia = 50,
formato_pref = 74
) %>%
mutate(
contexto = "España (resto)",
genero = case_when(
genero == "Femenino" ~ "Femenino",
genero == "Masculino" ~ "Masculino",
TRUE ~ "No informa"
),
formacion = case_when(
str_detect(formacion, "Doctorado") ~ "Doctorado",
str_detect(formacion, "Máster|Postgrado") ~ "Máster/Postgrado",
str_detect(formacion, "Grado|Licenciatura|Diplomatura") ~ "Grado/Licenciatura",
TRUE ~ "No informa"
),
regimen = str_trim(regimen),
regimen = case_when(
str_detect(regimen, "úblico") ~ "Público",
str_detect(regimen, "oncertado") ~ "Concertado",
str_detect(regimen, "rivado") ~ "Privado",
TRUE ~ regimen
),
tipologia = limpiar_tipologia(tipologia),
ambito = limpiar_ambito(ambito),
edad = as.numeric(edad),
across(c(con_propio, con_centro, importancia,
sup_ecologismo:sup_anticap,
imp_genero:imp_tecnologia), as.numeric)
)
# ── Dataset combinado ─────────────────────────────────────────────
cols_comunes <- intersect(names(cat_df), names(esp_df))
df <- bind_rows(
cat_df %>% select(all_of(cols_comunes)),
esp_df %>% select(all_of(cols_comunes))
) %>%
mutate(
contexto = factor(contexto, levels = c("Cataluña", "España (resto)")),
experiencia = factor(
str_replace_all(str_trim(experiencia),
c("anys" = "años", "Més de" = "Más de")),
levels = c("0 a 5 años", "6 a 10 años", "11 a 15 años",
"16 a 20 años", "21 a 25 años", "26 a 30 años",
"31 a 35 años", "Más de 35 años")
)
)
# ── Dataset con filas "Total" para gráficos ───────────────────────
# Se duplican todas las filas con contexto = "Total" para que aparezca
# automáticamente como tercera categoría en todos los gráficos y tablas.
df_plot <- bind_rows(
df,
df %>% mutate(contexto = "Total")
) %>%
mutate(contexto = factor(contexto,
levels = c("Cataluña", "España (resto)", "Total")))1 Descripción de la muestra
tabla_n <- df_plot %>%
count(contexto, name = "n") %>%
mutate(Porcentaje = case_when(
contexto == "Total" ~ "100%",
TRUE ~ percent(n / sum(n[contexto != "Total"]), accuracy = .1)
))
kable(tabla_n, col.names = c("Contexto", "n", "%"),
caption = "Tamaño de la muestra por contexto") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
row_spec(which(tabla_n$contexto == "Total"), bold = TRUE, background = azul7)| Contexto | n | % |
|---|---|---|
| Cataluña | 538 | 52.7% |
| España (resto) | 482 | 47.3% |
| Total | 1020 | 100% |
2 Perfil sociodemográfico
2.1 Edad
edad_stats <- df_plot %>%
filter(!is.na(edad)) %>%
group_by(contexto) %>%
summarise(n = n(),
Media = round(mean(edad), 1),
Mediana = round(median(edad), 1),
DT = round(sd(edad), 1),
Mínimo = min(edad),
Máximo = max(edad))
kable(edad_stats, caption = "Estadísticos descriptivos de la edad") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
column_spec(1, bold = TRUE, color = azul1) %>%
row_spec(which(edad_stats$contexto == "Total"), bold = TRUE, background = azul7)| contexto | n | Media | Mediana | DT | Mínimo | Máximo |
|---|---|---|---|---|---|---|
| Cataluña | 514 | 45.0 | 45 | 9.6 | 21 | 63 |
| España (resto) | 466 | 45.8 | 47 | 10.1 | 23 | 69 |
| Total | 980 | 45.4 | 46 | 9.9 | 21 | 69 |
ggplot(df_plot %>% filter(!is.na(edad)), aes(x = edad, fill = contexto)) +
geom_histogram(binwidth = 3, colour = "white", alpha = 0.85) +
facet_wrap(~contexto, ncol = 3) +
scale_fill_manual(values = col_ctx, guide = "none") +
scale_x_continuous(breaks = seq(20, 70, 10)) +
geom_vline(data = edad_stats,
aes(xintercept = Media, colour = contexto),
linetype = "dashed", linewidth = 0.8) +
scale_colour_manual(values = col_ctx, name = "Media") +
labs(title = "Distribución de la edad del profesorado",
x = "Edad (años)", y = "Frecuencia") +
tema_epjg
2.2 Género
tab_gen <- df_plot %>%
filter(!is.na(genero), genero != "No informa") %>%
count(contexto, genero) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n))
ggplot(tab_gen, aes(x = fct_reorder(genero, n, .desc = TRUE),
y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.7) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 3.2,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 1)) +
labs(title = "Distribución por género", x = NULL, y = "Proporción") +
tema_epjg
2.3 Formación
tab_form <- df_plot %>%
filter(!is.na(formacion), formacion != "No informa") %>%
count(contexto, formacion) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n),
formacion = factor(formacion,
levels = c("Grado/Licenciatura", "Máster/Postgrado", "Doctorado")))
ggplot(tab_form, aes(x = formacion, y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.7) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 3.2,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 0.85)) +
labs(title = "Nivel de formación más elevado", x = NULL, y = "Proporción") +
tema_epjg
2.4 Experiencia docente
tab_exp <- df_plot %>%
filter(!is.na(experiencia)) %>%
count(contexto, experiencia) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n))
ggplot(tab_exp, aes(x = experiencia, y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.75) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 2.5,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 0.40)) +
labs(title = "Años de experiencia docente", x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(angle = 35, hjust = 1))
2.5 Ámbito profesional
ambitos_principales <- c("Ed. Infantil", "Ed. Primaria", "Ed. Secundaria",
"Bachillerato", "FP", "Ed. Adultos", "Ed. Especial")
tab_ambito <- df_plot %>%
filter(ambito %in% ambitos_principales) %>%
count(contexto, ambito) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n),
ambito = factor(ambito, levels = ambitos_principales))
ggplot(tab_ambito, aes(x = ambito, y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.75) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 2.8,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 0.60)) +
labs(title = "Ámbito profesional actual", x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(angle = 30, hjust = 1))
2.6 Régimen y tipología del centro
tab_regimen <- df_plot %>%
filter(!is.na(regimen)) %>%
count(contexto, regimen) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n),
regimen = factor(regimen, levels = c("Público", "Concertado", "Privado")))
p_regimen <- ggplot(tab_regimen, aes(x = regimen, y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.7) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 3,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 1.05)) +
labs(title = "Régimen del centro educativo", x = NULL, y = "Proporción") +
tema_epjg
tipologias_clean <- c("Urbana", "Rural", "Instituto/IES", "Alta complejidad")
tab_tip <- df_plot %>%
filter(tipologia %in% tipologias_clean) %>%
count(contexto, tipologia) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n),
tipologia = factor(tipologia, levels = tipologias_clean))
p_tip <- ggplot(tab_tip, aes(x = tipologia, y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.7) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 3,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 1.05)) +
labs(title = "Tipología del centro (criterio geográfico)", x = NULL, y = "Proporción") +
tema_epjg
p_regimen / p_tip + plot_layout(guides = "collect") &
theme(legend.position = "bottom")
2.7 Comunidades autónomas (España)
tab_ccaa <- tibble(ccaa = raw_esp[[17]]) %>%
filter(!is.na(ccaa)) %>%
count(ccaa, sort = TRUE) %>%
mutate(prop = n / sum(n), ccaa = fct_reorder(ccaa, n))
ggplot(tab_ccaa, aes(x = ccaa, y = prop, fill = prop)) +
geom_col() +
geom_text(aes(label = str_c(n, " (", percent(prop, accuracy = 1), ")")),
hjust = -0.05, size = 3, colour = azul1) +
scale_fill_gradient(low = azul6, high = azul1, guide = "none") +
scale_y_continuous(labels = percent, limits = c(0, 0.23)) +
coord_flip() +
labs(title = "Distribución por comunidad autónoma (España, resto)",
x = NULL, y = "Proporción") +
tema_epjg
3 Conocimiento y percepción de la EpJG
3.1 Conocimiento propio
tab_cp <- df_plot %>%
filter(!is.na(con_propio)) %>%
mutate(con_propio = factor(con_propio, levels = 1:5, labels = lik5)) %>%
count(contexto, con_propio) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n))
ggplot(tab_cp, aes(x = con_propio, y = prop, fill = con_propio)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = percent(prop, accuracy = 1)),
vjust = -0.4, size = 3, colour = azul1) +
scale_fill_manual(values = escala_blues[c(1,2,3,4,5)]) +
scale_y_continuous(labels = percent, limits = c(0, 0.55)) +
facet_wrap(~contexto, ncol = 3) +
labs(title = "¿Cuál es tu grado de conocimiento de la EpJG?",
x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(size = 8))
df_plot %>%
filter(!is.na(con_propio)) %>%
group_by(contexto) %>%
summarise(n = n(),
Media = round(mean(con_propio, na.rm = TRUE), 2),
Mediana = median(con_propio, na.rm = TRUE),
DT = round(sd(con_propio, na.rm = TRUE), 2)) %>%
kable(caption = "Estadísticos: grado de conocimiento propio de la EpJG") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
row_spec(3, bold = TRUE, background = azul7)| contexto | n | Media | Mediana | DT |
|---|---|---|---|---|
| Cataluña | 515 | 2.35 | 2 | 1.12 |
| España (resto) | 466 | 2.32 | 2 | 1.15 |
| Total | 981 | 2.33 | 2 | 1.13 |
3.2 Conocimiento percibido del centro
tab_cc <- df_plot %>%
filter(!is.na(con_centro)) %>%
mutate(con_centro = factor(con_centro, levels = 1:5, labels = lik5)) %>%
count(contexto, con_centro) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n))
ggplot(tab_cc, aes(x = con_centro, y = prop, fill = con_centro)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = percent(prop, accuracy = 1)),
vjust = -0.4, size = 3, colour = azul1) +
scale_fill_manual(values = escala_blues[c(1,2,3,4,5)]) +
scale_y_continuous(labels = percent, limits = c(0, 0.65)) +
facet_wrap(~contexto, ncol = 3) +
labs(title = "¿Qué grado de conocimiento crees que tiene el profesorado de tu centro?",
x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(size = 8))
3.3 Importancia de la EpJG
tab_imp <- df_plot %>%
filter(!is.na(importancia)) %>%
mutate(importancia = factor(importancia, levels = 1:5, labels = lik5)) %>%
count(contexto, importancia) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n))
ggplot(tab_imp, aes(x = importancia, y = prop, fill = importancia)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = percent(prop, accuracy = 1)),
vjust = -0.4, size = 3, colour = azul1) +
scale_fill_manual(values = escala_blues[c(1,2,3,4,5)]) +
scale_y_continuous(labels = percent, limits = c(0, 0.70)) +
facet_wrap(~contexto, ncol = 3) +
labs(title = "¿Qué importancia tiene introducir la EpJG en tu práctica?",
x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(size = 8))
3.4 Comparación de las tres dimensiones
dim_stats <- df_plot %>%
select(contexto, con_propio, con_centro, importancia) %>%
pivot_longer(-contexto, names_to = "dimension", values_to = "valor") %>%
filter(!is.na(valor)) %>%
group_by(contexto, dimension) %>%
summarise(Media = mean(valor, na.rm = TRUE),
DT = sd(valor, na.rm = TRUE), .groups = "drop") %>%
mutate(dimension = factor(dimension,
levels = c("con_propio", "con_centro", "importancia"),
labels = c("Conocimiento propio", "Conoc. del centro", "Importancia")))
ggplot(dim_stats, aes(x = dimension, y = Media, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.7) +
geom_errorbar(aes(ymin = Media - DT, ymax = Media + DT),
position = position_dodge(0.8), width = 0.25,
colour = "#444444", linewidth = 0.5) +
geom_text(aes(label = round(Media, 2)),
position = position_dodge(0.8), vjust = -0.7, size = 3.2,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(limits = c(0, 6.5), breaks = 1:5) +
labs(title = "Comparación: conocimiento e importancia de la EpJG",
subtitle = "Media ± desviación típica (escala 1–5)",
x = NULL, y = "Puntuación media (1–5)") +
tema_epjg
# Tabla resumen de las tres dimensiones
dim_stats %>%
mutate(Media_DT = str_c(round(Media, 2), " (", round(DT, 2), ")")) %>%
select(contexto, dimension, Media_DT) %>%
pivot_wider(names_from = contexto, values_from = Media_DT) %>%
rename(Dimensión = dimension) %>%
kable(caption = "Conocimiento e importancia de la EpJG — Media (DT), escala 1–5") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
column_spec(1, bold = TRUE, color = azul1) %>%
column_spec(4, bold = TRUE, background = azul7)| Dimensión | Cataluña | España (resto) | Total |
|---|---|---|---|
| Conoc. del centro | 2.23 (0.93) | 2.16 (1.02) | 2.2 (0.97) |
| Conocimiento propio | 2.35 (1.12) | 2.32 (1.15) | 2.33 (1.13) |
| Importancia | 3.71 (1.08) | 3.88 (1.12) | 3.79 (1.1) |
4 Apoyo a los movimientos sociales
movimientos <- c("sup_ecologismo", "sup_pacifismo", "sup_feminismo",
"sup_der_hum", "sup_lgtbiq", "sup_antirac", "sup_anticap")
etiquetas_mov <- c("Ecologismo", "Pacifismo", "Feminismo",
"Derechos humanos", "LGTBIQ+", "Antirracismo", "Anticapitalismo")
tab_mov <- df_plot %>%
select(contexto, all_of(movimientos)) %>%
pivot_longer(-contexto, names_to = "movimiento", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(movimiento = factor(movimiento, levels = movimientos, labels = etiquetas_mov))4.1 Perfil global
mov_stats <- tab_mov %>%
group_by(contexto, movimiento) %>%
summarise(Media = mean(valor, na.rm = TRUE),
DT = sd(valor, na.rm = TRUE), .groups = "drop")
ggplot(mov_stats, aes(x = fct_reorder(movimiento, Media, .fun = function(x) x[3]),
y = Media, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.75) +
geom_errorbar(aes(ymin = Media - DT, ymax = Media + DT),
position = position_dodge(0.8), width = 0.25,
colour = "#555555", linewidth = 0.5) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(limits = c(0, 6), breaks = 1:5) +
coord_flip() +
labs(title = "Grado de apoyo a los principios de los movimientos sociales",
subtitle = "Media ± DT (escala 1–5)",
x = NULL, y = "Puntuación media") +
tema_epjg
4.2 Distribución por movimiento
tab_mov_prop <- tab_mov %>%
mutate(valor = factor(valor, levels = 1:5, labels = lik5)) %>%
count(contexto, movimiento, valor) %>%
group_by(contexto, movimiento) %>%
mutate(prop = n / sum(n))
ggplot(tab_mov_prop, aes(x = valor, y = prop, fill = valor)) +
geom_col(show.legend = FALSE) +
scale_fill_manual(values = escala_blues[c(1,2,3,4,5)]) +
scale_y_continuous(labels = percent, breaks = c(0, 0.5)) +
facet_grid(movimiento ~ contexto) +
labs(title = "Distribución del apoyo por movimiento social",
x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 7),
strip.text.y = element_text(angle = 0, size = 7))
4.3 Tabla resumen
mov_stats %>%
mutate(Media_DT = str_c(round(Media, 2), " (", round(DT, 2), ")")) %>%
select(contexto, movimiento, Media_DT) %>%
pivot_wider(names_from = contexto, values_from = Media_DT) %>%
rename(Movimiento = movimiento) %>%
kable(caption = "Apoyo a los movimientos sociales — Media (DT), escala 1–5") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
column_spec(1, bold = TRUE, color = azul1) %>%
column_spec(4, bold = TRUE, background = azul7)| Movimiento | Cataluña | España (resto) | Total |
|---|---|---|---|
| Ecologismo | 4.32 (0.93) | 4.4 (0.89) | 4.36 (0.91) |
| Pacifismo | 4.57 (0.76) | 4.67 (0.75) | 4.62 (0.76) |
| Feminismo | 4.34 (0.94) | 4.39 (1.05) | 4.36 (0.99) |
| Derechos humanos | 4.62 (0.73) | 4.75 (0.67) | 4.68 (0.71) |
| LGTBIQ+ | 4.38 (0.92) | 4.35 (1.03) | 4.37 (0.97) |
| Antirracismo | 4.65 (0.72) | 4.73 (0.71) | 4.69 (0.72) |
| Anticapitalismo | 3.82 (1.2) | 3.82 (1.26) | 3.82 (1.23) |
5 Importancia de las temáticas de formación
tematicas <- c("imp_genero", "imp_paz", "imp_derechos", "imp_just_eco",
"imp_just_amb", "imp_intercult", "imp_bienestar",
"imp_rel_educ", "imp_digital", "imp_tecnologia")
etiquetas_tema <- c("Género y feminismos", "Cultura de paz", "Derechos humanos",
"Justicia econ. y social", "Justicia ambiental",
"Interculturalidad", "Bienestar emocional",
"Relación educativa", "Equidad digital", "Crít. tecnología")
tab_tema <- df_plot %>%
select(contexto, all_of(tematicas)) %>%
pivot_longer(-contexto, names_to = "tematica", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(tematica = factor(tematica, levels = tematicas, labels = etiquetas_tema))5.1 Puntuación media por temática
tema_stats <- tab_tema %>%
group_by(contexto, tematica) %>%
summarise(Media = mean(valor, na.rm = TRUE),
DT = sd(valor, na.rm = TRUE), .groups = "drop")
ggplot(tema_stats, aes(x = fct_reorder(tematica, Media, .fun = function(x) x[3]),
y = Media, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.75) +
geom_errorbar(aes(ymin = Media - DT, ymax = Media + DT),
position = position_dodge(0.8), width = 0.25,
colour = "#555555", linewidth = 0.5) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(limits = c(0, 6), breaks = 1:5) +
coord_flip() +
labs(title = "Importancia de las temáticas para la formación docente",
subtitle = "Media ± DT (escala 1–5)",
x = NULL, y = "Puntuación media") +
tema_epjg
5.2 Distribución por temática
tab_tema_prop <- tab_tema %>%
mutate(valor = factor(valor, levels = 1:5, labels = lik5)) %>%
count(contexto, tematica, valor) %>%
group_by(contexto, tematica) %>%
mutate(prop = n / sum(n))
ggplot(tab_tema_prop, aes(x = valor, y = prop, fill = valor)) +
geom_col(show.legend = FALSE) +
scale_fill_manual(values = escala_blues[c(1,2,3,4,5)]) +
scale_y_continuous(labels = percent, breaks = c(0, 0.5)) +
facet_grid(tematica ~ contexto) +
labs(title = "Distribución de la importancia por temática",
x = NULL, y = "Proporción") +
tema_epjg +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 7),
strip.text.y = element_text(angle = 0, size = 7))
5.3 Tabla resumen
tema_stats %>%
mutate(Media_DT = str_c(round(Media, 2), " (", round(DT, 2), ")")) %>%
select(contexto, tematica, Media_DT) %>%
pivot_wider(names_from = contexto, values_from = Media_DT) %>%
rename(Temática = tematica) %>%
kable(caption = "Importancia para la formación — Media (DT), escala 1–5") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
column_spec(1, bold = TRUE, color = azul1) %>%
column_spec(4, bold = TRUE, background = azul7)| Temática | Cataluña | España (resto) | Total |
|---|---|---|---|
| Género y feminismos | 3.73 (0.83) | 3.79 (0.86) | 3.76 (0.85) |
| Cultura de paz | 3.86 (0.76) | 3.84 (0.86) | 3.85 (0.81) |
| Derechos humanos | 3.66 (0.86) | 3.69 (0.91) | 3.67 (0.89) |
| Justicia econ. y social | 3.38 (0.94) | 3.44 (0.99) | 3.41 (0.96) |
| Justicia ambiental | 3.4 (0.98) | 3.5 (1.01) | 3.45 (1) |
| Interculturalidad | 3.68 (0.87) | 3.75 (0.91) | 3.71 (0.89) |
| Bienestar emocional | 4.01 (0.85) | 3.92 (0.97) | 3.97 (0.91) |
| Relación educativa | 3.54 (1.02) | 3.63 (0.99) | 3.58 (1.01) |
| Equidad digital | 3.2 (0.97) | 3.24 (1.07) | 3.22 (1.02) |
| Crít. tecnología | 3.21 (1) | 3.35 (1.08) | 3.28 (1.04) |
6 Temáticas trabajadas en el aula
trabajadas <- c("trab_genero", "trab_paz", "trab_derechos", "trab_just_eco",
"trab_just_amb", "trab_intercult", "trab_bienestar",
"trab_rel_educ", "trab_digital", "trab_tecnologia")
tab_trab <- df_plot %>%
select(contexto, all_of(trabajadas)) %>%
pivot_longer(-contexto, names_to = "tematica", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
tematica = factor(str_remove(tematica, "trab_"),
levels = str_remove(trabajadas, "trab_"),
labels = etiquetas_tema),
valor = str_to_upper(str_trim(valor))
) %>%
count(contexto, tematica, valor) %>%
group_by(contexto, tematica) %>%
mutate(prop = n / sum(n)) %>%
filter(valor == "SÍ")6.1 % que trabaja cada temática
ggplot(tab_trab, aes(x = fct_reorder(tematica, prop, .fun = function(x) x[3]),
y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.75) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), hjust = -0.1, size = 2.8,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 1.1)) +
coord_flip() +
labs(title = "Temáticas de la EpJG trabajadas en el aula (% SÍ)",
x = NULL, y = "% que responde SÍ") +
tema_epjg
6.2 Tabla resumen
tab_trab %>%
mutate(pct = percent(prop, accuracy = 1)) %>%
select(contexto, tematica, pct) %>%
pivot_wider(names_from = contexto, values_from = pct) %>%
rename(Temática = tematica) %>%
kable(caption = "Porcentaje de docentes que trabaja cada temática (SÍ)") %>%
kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
column_spec(1, bold = TRUE, color = azul1) %>%
column_spec(4, bold = TRUE, background = azul7)| Temática | Cataluña | España (resto) | Total |
|---|---|---|---|
| Género y feminismos | 77% | 76% | 77% |
| Cultura de paz | 83% | 82% | 83% |
| Derechos humanos | 70% | 71% | 70% |
| Justicia econ. y social | 46% | 54% | 50% |
| Justicia ambiental | 63% | 65% | 64% |
| Interculturalidad | 81% | 81% | 81% |
| Bienestar emocional | 86% | 85% | 86% |
| Relación educativa | 62% | 70% | 66% |
| Equidad digital | 41% | 44% | 42% |
| Crít. tecnología | 55% | 67% | 61% |
7 Preferencias de formación
7.1 Formato preferido
tab_fmt <- df_plot %>%
filter(!is.na(formato_pref)) %>%
mutate(formato_pref = str_trim(formato_pref),
formato_pref = case_when(
str_detect(formato_pref, "irtual") ~ "Virtual",
str_detect(formato_pref, "resencial") ~ "Presencial",
str_detect(formato_pref, "emisencial|emipresencial") ~ "Semipresencial",
TRUE ~ formato_pref
)) %>%
count(contexto, formato_pref) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n),
formato_pref = factor(formato_pref,
levels = c("Presencial", "Virtual", "Semipresencial")))
ggplot(tab_fmt, aes(x = formato_pref, y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.7) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), vjust = -0.4, size = 3.2,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 0.60)) +
labs(title = "Formato de formación preferido", x = NULL, y = "Proporción") +
tema_epjg
7.2 Modalidad formativa
armonizar_modalidad <- function(x) {
case_when(
str_detect(x, regex("curs|curso", ignore_case = TRUE)) ~ "Curso",
str_detect(x, regex("taller|seminari|seminar", ignore_case = TRUE)) ~ "Talleres/Seminarios",
str_detect(x, regex("intercanvi|intercambio", ignore_case = TRUE)) ~ "Intercambio de experiencias",
str_detect(x, regex("conferèn|conferenci", ignore_case = TRUE)) ~ "Ciclos de conferencias",
str_detect(x, regex("assessorament|asesoramiento", ignore_case = TRUE)) ~ "Asesoramiento en centros",
str_detect(x, regex("comunitat|comunidad", ignore_case = TRUE)) ~ "Comunidad de aprendizaje",
TRUE ~ x
)
}
mod_base <- bind_rows(
tibble(modalidad = raw_cat[[72]], contexto = "Cataluña"),
tibble(modalidad = raw_esp[[73]], contexto = "España (resto)")
) %>%
filter(!is.na(modalidad)) %>%
mutate(modalidad = str_split(modalidad, ";")) %>%
unnest(modalidad) %>%
mutate(modalidad = str_trim(modalidad)) %>%
filter(modalidad != "")
# Añadir filas Total
tab_mod <- bind_rows(
mod_base,
mod_base %>% mutate(contexto = "Total")
) %>%
mutate(contexto = factor(contexto, levels = c("Cataluña", "España (resto)", "Total")),
modalidad = armonizar_modalidad(modalidad)) %>%
count(contexto, modalidad) %>%
group_by(contexto) %>%
mutate(prop = n / sum(n)) %>%
filter(n > 2)
ggplot(tab_mod, aes(x = fct_reorder(modalidad, prop, .fun = function(x) x[3]),
y = prop, fill = contexto)) +
geom_col(position = position_dodge(0.8), width = 0.75) +
geom_text(aes(label = percent(prop, accuracy = 1)),
position = position_dodge(0.8), hjust = -0.1, size = 2.8,
colour = azul1) +
scale_fill_manual(values = col_ctx, name = "Contexto") +
scale_y_continuous(labels = percent, limits = c(0, 0.55)) +
coord_flip() +
labs(title = "Modalidad formativa preferida (respuesta múltiple)",
subtitle = "Porcentaje calculado sobre el total de respuestas por contexto",
x = NULL, y = "Proporción de menciones") +
tema_epjg
8 Resumen ejecutivo
| Indicador | Cataluña | España (resto) | Total |
|---|---|---|---|
| n (muestra válida edad) | 514 | 466 | 980 |
| Edad media (años) | 45 | 45.8 | 45.4 |
| % Femenino | 71.6% | 67.8% | 69.8% |
| Régimen mayoritario | Público | Público | Público |
| Tipología mayoritaria | Urbana | Urbana | Urbana |
| Conocimiento propio EpJG (1–5) | 2.35 | 2.32 | 2.33 |
| Conoc. percibido del centro (1–5) | 2.23 | 2.16 | 2.2 |
| Importancia EpJG (1–5) | 3.71 | 3.88 | 3.79 |