1 Introducción

1.1 Título

“Análisis de las tendencias de pensamiento de la comunidad estudiantil de la sede Neiva de la Universidad Surcolombiana sobre el potencial científico y la aplicabilidad de la energía nuclear en distintos campos de estudio (Caso Facultad de Ciencias Exactas y Naturales)”

1.2 Pregunta de investigación

¿En qué medida las variables socioculturales y formativas predicen las tendencias de pensamiento sobre la energía nuclear y su potencial científico en los estudiantes de la Facultad de Ciencias Exactas y Naturales de la Universidad Surcolombiana, sede Neiva?

1.3 Objetivos

General: Analizar las tendencias de pensamiento sobre el potencial científico y la aplicabilidad de la energía nuclear de la comunidad estudiantil de la Universidad Surcolombiana (sede Neiva), en función de variables socioculturales y formativas.

Específicos:

  1. Identificar las tendencias de pensamiento sobre el potencial científico y la aplicabilidad de la energía nuclear.
  2. Reconocer las relaciones entre la energía nuclear y los planes de estudio de pregrado ofertados.
  3. Correlacionar las tendencias de pensamiento con variables socioculturales y formativas.

2 Librerías y Datos

pkgs <- c("tidyverse","ggplot2","knitr","kableExtra",
          "psych","ggcorrplot","car","FSA","broom","scales","viridis")
for(p in pkgs){
  if(!require(p, character.only=TRUE, quietly=TRUE))
    install.packages(p, repos="https://cloud.r-project.org")
  library(p, character.only=TRUE)
}
# Datos embebidos directamente (no requiere archivo externo)
csv_texto <- "edad,semestre,programa,sexo,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13,P14,P15,P16,P17,P18,P19,P20,semestre_grupo
18 – 22,3,Biología,Masculino,2,5,3,5,5,3,4,4,4,4,4,4,4,4,4,4,4,4,4,4,Inicial (1-4)
18 – 22,3,Biología,Masculino,3,3,3,2,3,3,1,3,3,3,3,3,3,3,3,3,2,3,3,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,2,4,2,4,4,4,5,3,4,3,3,4,3,3,2,2,2,3,4,5,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,3,3,4,4,3,4,3,2,3,3,3,2,1,3,3,1,1,4,2,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,5,4,5,2,4,5,4,4,4,3,4,4,1,3,2,1,5,4,3,Inicial (1-4)
18 – 22,4,Biología,Masculino,4,5,1,5,5,4,5,2,2,3,5,4,1,5,5,1,4,2,1,1,Inicial (1-4)
18 – 22,3,Biología,Masculino,4,4,5,5,5,3,5,5,5,5,5,5,5,5,1,4,1,3,3,4,Inicial (1-4)
18 – 22,4,Biología,Femenino,3,4,4,3,5,3,4,5,4,5,5,4,4,4,2,4,4,4,4,5,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,5,3,2,5,3,3,5,3,4,4,5,4,5,5,2,2,3,3,2,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,4,3,3,4,4,5,4,3,2,2,3,2,3,4,4,2,2,2,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,2,2,3,2,2,2,3,2,3,2,3,2,3,2,3,2,2,2,2,Inicial (1-4)
18 – 22,3,Biología,Femenino,4,4,4,1,2,2,2,5,3,3,2,3,3,3,2,2,3,3,3,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,3,3,2,4,2,3,3,3,3,3,3,3,3,3,3,2,3,3,3,Inicial (1-4)
18 – 22,4,Biología,Masculino,4,4,2,3,4,2,5,3,5,5,2,5,3,3,1,4,2,2,2,3,Inicial (1-4)
18 – 22,4,Biología,Femenino,3,4,3,4,3,3,4,3,4,4,3,4,2,3,3,3,2,2,3,4,Inicial (1-4)
18 – 22,5,Biología,Femenino,5,4,5,5,2,3,4,5,3,4,5,5,5,3,1,3,4,4,4,4,Avanzado (5-10)
18 – 22,4,Biología,Masculino,3,5,5,4,2,4,5,3,1,5,3,5,5,5,3,4,1,4,5,5,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,5,2,1,3,3,1,3,1,3,4,5,1,3,4,1,2,3,3,2,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,3,3,3,5,2,5,2,5,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,4,5,3,2,3,4,4,4,4,4,4,4,4,4,5,4,2,3,3,2,Inicial (1-4)
Menos de 18,3,Biología,Femenino,3,3,1,4,4,4,5,1,1,4,4,3,3,3,3,4,1,3,3,3,Inicial (1-4)
23 – 27,4,Biología,Femenino,1,1,2,1,2,2,1,1,2,1,1,1,1,1,1,2,1,1,1,1,Inicial (1-4)
18 – 22,4,Biología,Masculino,3,4,3,3,4,5,5,4,3,4,3,3,3,3,3,3,3,4,3,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,5,5,4,Inicial (1-4)
18 – 22,5,Biología,Femenino,2,4,2,4,2,4,4,2,4,2,2,2,2,2,2,2,2,3,2,2,Avanzado (5-10)
18 – 22,4,Biología,Masculino,4,5,5,4,3,5,2,4,1,5,5,5,5,5,4,3,4,5,3,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,4,3,5,4,3,3,2,3,3,5,5,3,4,3,1,1,4,3,3,Inicial (1-4)
18 – 22,3,Biología,Femenino,3,5,4,3,5,5,3,2,4,4,4,5,5,2,3,2,1,1,2,3,Inicial (1-4)
23 – 27,8,Biología,Masculino,3,4,1,2,3,2,5,5,5,5,5,5,3,4,2,2,1,2,1,3,Avanzado (5-10)
23 – 27,7,Biología,Femenino,1,1,3,1,5,3,1,2,2,3,5,3,3,4,4,4,1,1,1,1,Avanzado (5-10)
18 – 22,7,Biología,Masculino,5,4,4,4,4,4,4,4,4,4,4,4,4,5,5,4,3,4,3,3,Avanzado (5-10)
18 – 22,7,Biología,Femenino,3,4,4,4,5,4,4,3,3,4,4,4,4,4,4,4,4,4,4,4,Avanzado (5-10)
23 – 27,7,Biología,Masculino,4,3,4,4,4,3,5,3,5,2,2,3,3,2,4,1,1,4,3,1,Avanzado (5-10)
18 – 22,3,Biología,Femenino,4,3,4,5,4,3,5,4,5,5,5,5,4,5,4,3,1,2,3,3,Inicial (1-4)
18 – 22,7,Biología,Femenino,3,3,5,5,2,4,5,5,3,5,5,5,5,5,5,5,1,5,5,3,Avanzado (5-10)
18 – 22,7,Biología,Femenino,4,4,4,3,3,3,4,3,4,4,4,4,3,3,4,4,4,3,3,4,Avanzado (5-10)
18 – 22,7,Biología,Femenino,1,1,1,2,1,1,2,1,1,1,1,2,1,1,1,1,1,1,1,1,Avanzado (5-10)
18 – 22,3,Biología,Masculino,3,5,3,5,5,4,5,4,4,5,3,4,2,5,2,4,2,3,4,3,Inicial (1-4)
23 – 27,9,Biología,Masculino,5,5,5,5,5,5,3,1,5,5,3,4,5,4,4,5,4,4,4,4,Avanzado (5-10)
18 – 22,10,Biología,Masculino,5,4,3,4,4,3,5,5,2,3,5,5,4,4,3,5,4,5,4,1,Avanzado (5-10)
18 – 22,3,Matemática Aplicada,Femenino,2,2,1,2,1,2,1,2,1,2,1,2,1,1,2,1,2,1,2,2,Inicial (1-4)
18 – 22,8,Biología,Femenino,1,1,1,1,1,1,1,1,1,2,1,1,1,1,2,1,2,2,2,2,Avanzado (5-10)
18 – 22,10,Biología,Masculino,4,1,5,5,1,3,3,5,4,4,4,5,5,3,4,3,2,5,3,3,Avanzado (5-10)
18 – 22,10,Biología,Femenino,3,3,4,3,3,4,4,4,4,4,4,4,4,3,2,3,2,3,3,3,Avanzado (5-10)
23 – 27,10,Biología,Femenino,3,4,3,2,2,4,4,4,4,5,5,5,4,5,3,1,2,4,3,2,Avanzado (5-10)
18 – 22,8,Física,Masculino,5,5,5,5,1,5,2,3,4,5,5,5,5,5,1,5,3,5,5,5,Avanzado (5-10)
18 – 22,8,Biología,Femenino,4,4,1,4,4,3,4,1,3,3,2,4,3,4,2,3,5,4,4,4,Avanzado (5-10)
Más de 32,7,Biología,Femenino,3,3,3,3,5,3,4,2,5,3,2,2,2,3,3,4,3,3,3,1,Avanzado (5-10)
18 – 22,7,Biología,Femenino,4,4,4,4,3,3,5,3,3,3,4,3,3,3,2,3,3,3,3,3,Avanzado (5-10)
18 – 22,9,Biología,Masculino,4,4,4,5,2,4,4,4,3,4,5,4,4,4,3,3,4,3,3,2,Avanzado (5-10)
18 – 22,9,Biología,Femenino,3,4,3,4,5,4,3,4,3,3,3,3,3,3,3,3,3,3,3,3,Avanzado (5-10)
Menos de 18,3,Física,Masculino,3,3,3,5,3,5,4,3,4,5,5,5,5,4,3,3,3,4,5,3,Inicial (1-4)
23 – 27,8,Biología,Masculino,4,4,4,4,4,4,5,3,4,4,3,4,4,4,3,2,2,3,2,2,Avanzado (5-10)
23 – 27,10,Física,Masculino,4,4,4,4,2,4,4,4,3,4,4,4,4,3,2,4,4,3,3,2,Avanzado (5-10)
28 – 32,4,Física,Masculino,3,4,3,4,4,4,3,3,3,3,4,4,3,3,3,3,3,3,3,3,Inicial (1-4)
18 – 22,7,Física,Masculino,5,5,4,5,5,5,5,5,5,5,5,5,5,5,3,5,5,5,5,5,Avanzado (5-10)
28 – 32,10,Física,Femenino,4,4,4,5,5,4,5,3,3,2,1,1,1,1,1,2,1,3,3,4,Avanzado (5-10)
18 – 22,7,Biología,Femenino,3,2,5,5,4,3,3,3,3,4,4,4,4,4,4,2,3,4,5,4,Avanzado (5-10)
23 – 27,4,Biología,Masculino,5,5,5,5,5,1,5,1,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
Menos de 18,3,Física,Masculino,4,4,5,5,3,4,5,5,3,5,5,5,3,3,2,3,5,4,4,3,Inicial (1-4)
18 – 22,8,Biología,Masculino,5,5,3,3,4,5,3,3,3,3,5,5,5,5,5,5,5,5,5,5,Avanzado (5-10)
28 – 32,10,Física,Masculino,5,5,4,5,2,5,4,5,3,5,5,5,5,5,2,4,5,5,5,4,Avanzado (5-10)
23 – 27,10,Biología,Femenino,1,3,1,1,1,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Avanzado (5-10)
18 – 22,8,Biología,Femenino,4,4,3,3,3,3,4,4,3,3,3,4,3,3,4,3,4,4,3,3,Avanzado (5-10)
Más de 32,10,Física,Masculino,5,5,5,5,2,5,5,5,4,5,5,5,5,5,1,5,5,1,3,2,Avanzado (5-10)
23 – 27,3,Biología,Masculino,5,5,5,5,3,5,4,5,1,5,5,5,5,4,1,3,1,5,5,5,Inicial (1-4)
18 – 22,2,Biología,Masculino,3,4,3,3,5,3,4,3,3,4,3,4,3,3,3,4,3,4,3,3,Inicial (1-4)
28 – 32,1,Física,Masculino,5,5,3,4,5,5,1,1,3,5,5,5,5,3,5,5,3,1,1,3,Inicial (1-4)
Menos de 18,1,Biología,Femenino,4,3,2,5,5,4,5,2,5,4,3,2,2,4,2,1,3,1,1,3,Inicial (1-4)
Menos de 18,3,Matemática Aplicada,Femenino,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
18 – 22,9,Biología,Femenino,3,5,3,4,5,5,5,1,5,5,4,4,2,5,3,2,4,5,4,2,Avanzado (5-10)
23 – 27,8,Matemática Aplicada,Masculino,3,5,5,5,3,5,5,5,5,5,5,5,5,5,1,3,3,5,5,5,Avanzado (5-10)
18 – 22,6,Matemática Aplicada,Masculino,5,5,5,5,1,5,5,5,1,5,5,3,5,5,5,5,5,5,5,5,Avanzado (5-10)
18 – 22,3,Matemática Aplicada,Femenino,4,4,3,3,5,4,4,3,4,4,3,4,3,3,3,1,1,3,1,3,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Femenino,4,4,3,3,4,3,3,3,3,4,3,3,3,3,3,3,4,3,3,3,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Masculino,3,4,4,5,4,3,4,4,4,5,3,3,3,2,4,3,3,3,3,3,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Masculino,3,3,3,4,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
18 – 22,8,Biología,Femenino,3,5,2,2,5,3,3,3,3,3,3,3,3,3,3,3,3,3,3,2,Avanzado (5-10)
18 – 22,7,Biología,Femenino,4,5,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Avanzado (5-10)
23 – 27,9,Biología,Femenino,4,4,3,3,4,4,4,5,4,4,4,4,4,4,3,4,2,4,4,3,Avanzado (5-10)
18 – 22,8,Biología,Femenino,3,2,2,4,3,3,4,4,4,4,3,3,3,4,3,4,4,3,3,3,Avanzado (5-10)
18 – 22,8,Biología,Femenino,5,5,5,5,4,5,4,5,4,5,4,4,4,5,4,3,4,5,5,3,Avanzado (5-10)
18 – 22,8,Biología,Femenino,3,5,1,5,4,4,4,4,4,4,4,4,4,4,4,4,3,3,3,2,Avanzado (5-10)
23 – 27,7,Biología,Femenino,4,4,4,3,4,3,4,2,1,5,4,4,2,5,5,4,1,3,1,1,Avanzado (5-10)
18 – 22,8,Biología,Femenino,5,5,4,5,3,3,5,4,3,3,3,3,3,4,2,2,3,5,5,5,Avanzado (5-10)
18 – 22,8,Biología,Femenino,4,3,4,3,4,3,3,3,3,3,2,3,5,3,5,4,4,5,4,4,Avanzado (5-10)
18 – 22,8,Biología,Masculino,1,5,4,5,5,3,2,4,5,4,3,5,3,3,4,3,3,3,4,3,Avanzado (5-10)
23 – 27,7,Biología,Femenino,2,5,5,2,4,5,5,5,5,5,5,5,5,5,3,3,2,4,4,3,Avanzado (5-10)
Más de 32,5,Matemática Aplicada,Masculino,4,3,4,4,4,3,4,2,4,4,3,2,2,4,4,2,2,3,2,2,Avanzado (5-10)
23 – 27,10,Física,Masculino,5,4,5,4,2,3,5,3,1,5,5,3,1,3,1,1,5,3,5,1,Avanzado (5-10)
23 – 27,10,Física,Masculino,5,5,5,5,1,5,2,5,1,5,5,5,5,5,3,5,5,5,5,2,Avanzado (5-10)
23 – 27,10,Física,Masculino,5,5,5,5,1,5,5,5,2,5,5,5,5,5,2,4,5,5,5,2,Avanzado (5-10)
23 – 27,8,Física,Masculino,5,5,5,5,4,4,5,5,4,5,5,5,4,5,3,1,4,4,5,5,Avanzado (5-10)
18 – 22,10,Física,Masculino,3,5,5,4,4,3,5,4,3,4,4,4,2,5,4,1,4,4,4,3,Avanzado (5-10)
18 – 22,9,Física,Femenino,4,4,3,4,4,3,5,4,5,4,4,4,4,4,1,2,5,4,4,4,Avanzado (5-10)
28 – 32,10,Física,Femenino,4,4,4,4,3,4,5,5,4,5,5,5,5,5,3,5,4,5,4,3,Avanzado (5-10)
23 – 27,10,Física,Masculino,5,5,5,5,5,5,3,5,4,5,4,4,5,5,1,1,4,4,3,3,Avanzado (5-10)
28 – 32,10,Física,Masculino,5,5,5,5,2,5,5,4,5,5,5,5,5,3,4,3,3,5,5,5,Avanzado (5-10)
23 – 27,9,Física,Masculino,5,5,5,2,3,4,4,5,3,4,4,4,4,4,1,3,5,4,4,4,Avanzado (5-10)
23 – 27,10,Física,Femenino,5,5,3,3,5,5,5,5,5,5,4,4,4,5,1,1,5,4,1,3,Avanzado (5-10)
18 – 22,9,Biología,Femenino,3,4,5,5,4,4,5,4,4,4,4,5,5,5,3,4,4,4,4,3,Avanzado (5-10)
23 – 27,8,Biología,Femenino,3,5,4,4,1,2,3,3,2,4,4,4,4,4,4,4,4,4,4,4,Avanzado (5-10)
18 – 22,6,Biología,Femenino,2,2,1,2,2,1,2,2,1,2,2,1,2,1,2,1,2,1,2,2,Avanzado (5-10)
28 – 32,2,Biología,Femenino,5,5,5,4,5,3,5,4,5,3,1,1,2,5,5,1,5,3,2,1,Inicial (1-4)
18 – 22,4,Biología,Masculino,4,4,4,5,2,4,4,4,2,3,5,4,5,5,4,5,1,2,3,5,Inicial (1-4)
23 – 27,7,Biología,Masculino,4,5,2,5,5,5,1,2,5,5,5,5,5,5,5,2,2,3,3,3,Avanzado (5-10)
28 – 32,6,Biología,Masculino,4,4,4,4,2,5,5,4,4,5,4,3,3,3,1,5,2,2,5,4,Avanzado (5-10)
23 – 27,6,Biología,Femenino,3,2,3,3,3,1,4,3,3,3,3,3,4,3,3,4,2,2,3,3,Avanzado (5-10)
18 – 22,6,Biología,Femenino,3,3,2,2,3,3,4,3,3,3,4,4,4,4,2,2,2,4,4,2,Avanzado (5-10)
18 – 22,5,Biología,Masculino,4,4,5,4,4,4,4,4,5,4,4,4,4,4,5,4,5,5,5,5,Avanzado (5-10)
18 – 22,6,Biología,Femenino,2,2,2,2,4,2,2,2,2,2,3,3,3,3,2,3,3,3,3,3,Avanzado (5-10)
18 – 22,5,Biología,Femenino,4,5,3,3,4,3,4,4,1,4,4,4,4,4,5,3,3,4,4,4,Avanzado (5-10)
18 – 22,9,Biología,Femenino,4,3,5,4,4,3,4,3,3,4,3,4,3,2,3,3,3,4,3,2,Avanzado (5-10)
18 – 22,5,Física,Femenino,3,5,5,5,1,5,3,5,2,5,5,5,5,5,5,5,4,5,3,4,Avanzado (5-10)
18 – 22,2,Física,Femenino,3,3,3,1,5,3,4,1,5,1,1,1,1,1,2,1,1,1,1,1,Inicial (1-4)
18 – 22,2,Física,Femenino,2,4,3,3,4,4,5,3,3,4,4,3,3,5,2,3,3,4,4,3,Inicial (1-4)
18 – 22,5,Física,Femenino,1,1,1,1,1,1,1,2,2,1,1,1,2,1,1,2,1,1,1,1,Avanzado (5-10)
18 – 22,9,Física,Masculino,5,5,5,5,3,5,5,4,4,5,5,5,4,5,2,2,5,4,5,3,Avanzado (5-10)
18 – 22,5,Biología,Masculino,3,2,3,5,5,2,5,5,5,5,5,5,4,3,5,5,5,4,2,1,Avanzado (5-10)
23 – 27,5,Física,Masculino,4,5,4,3,3,5,5,3,3,5,5,5,3,5,1,3,4,4,3,3,Avanzado (5-10)
Menos de 18,1,Física,Femenino,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,Inicial (1-4)
23 – 27,10,Física,Masculino,3,4,5,5,3,3,5,3,3,4,5,3,4,5,1,1,3,3,4,4,Avanzado (5-10)
18 – 22,1,Física,Masculino,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,Inicial (1-4)
18 – 22,3,Física,Masculino,4,3,5,5,4,3,4,3,3,4,4,4,3,3,1,3,3,5,3,3,Inicial (1-4)
18 – 22,2,Física,Femenino,3,5,2,4,3,5,3,3,5,5,5,5,5,5,1,3,4,3,3,4,Inicial (1-4)
18 – 22,1,Física,Femenino,4,3,3,2,3,3,4,2,4,5,4,3,3,5,2,3,2,3,3,2,Inicial (1-4)
23 – 27,10,Biología,Femenino,2,5,4,5,3,4,5,3,2,4,4,4,3,4,3,3,4,4,4,3,Avanzado (5-10)
23 – 27,10,Física,Femenino,5,5,5,5,4,3,5,5,5,5,3,5,5,5,2,1,5,4,4,5,Avanzado (5-10)
18 – 22,3,Física,Masculino,3,4,3,5,3,4,3,2,5,5,5,4,4,4,4,5,5,5,4,1,Inicial (1-4)
Menos de 18,3,Física,Masculino,3,4,3,4,2,5,3,3,4,5,5,5,5,4,3,3,4,4,3,3,Inicial (1-4)
18 – 22,1,Física,Femenino,1,1,2,1,1,2,1,2,2,1,1,1,1,1,1,1,2,2,1,2,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Masculino,4,4,4,4,4,4,4,4,4,4,4,4,4,4,3,4,3,4,4,4,Inicial (1-4)
Menos de 18,2,Matemática Aplicada,Masculino,3,4,2,3,4,3,2,3,4,3,3,2,1,1,1,3,4,4,3,5,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Masculino,2,5,3,4,3,4,5,3,4,5,5,4,3,5,3,1,1,3,3,3,Inicial (1-4)
23 – 27,5,Matemática Aplicada,Femenino,4,3,3,4,2,4,3,3,1,3,4,4,4,4,3,2,4,4,3,3,Avanzado (5-10)
18 – 22,4,Matemática Aplicada,Masculino,3,3,4,4,4,2,3,5,4,4,3,3,3,2,3,3,5,5,5,5,Inicial (1-4)
Menos de 18,3,Matemática Aplicada,Masculino,4,5,5,5,2,5,3,4,3,4,4,5,3,3,2,3,2,4,4,3,Inicial (1-4)
Menos de 18,2,Matemática Aplicada,Masculino,1,1,2,1,1,2,1,1,1,2,1,1,1,1,2,1,2,1,1,2,Inicial (1-4)
18 – 22,10,Biología,Masculino,3,1,3,4,2,5,5,1,2,2,4,3,4,4,5,4,3,3,4,4,Avanzado (5-10)
23 – 27,10,Biología,Masculino,2,3,2,4,2,4,3,3,3,4,4,4,4,5,2,4,1,4,4,4,Avanzado (5-10)
18 – 22,2,Matemática Aplicada,Masculino,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,Inicial (1-4)
Menos de 18,1,Matemática Aplicada,Masculino,4,4,3,3,4,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
Menos de 18,1,Matemática Aplicada,Masculino,4,5,3,5,5,5,5,4,5,3,5,2,3,2,2,1,2,4,2,3,Inicial (1-4)
18 – 22,1,Matemática Aplicada,Masculino,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,Inicial (1-4)
18 – 22,2,Matemática Aplicada,Masculino,4,4,5,5,4,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,Inicial (1-4)
Menos de 18,1,Matemática Aplicada,Femenino,3,4,3,2,3,4,3,3,3,4,3,3,3,2,3,3,3,3,3,3,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Masculino,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,Inicial (1-4)
18 – 22,1,Matemática Aplicada,Femenino,5,4,5,5,5,4,4,5,4,5,5,5,5,4,4,4,5,5,4,5,Inicial (1-4)
Más de 32,10,Matemática Aplicada,Masculino,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,Avanzado (5-10)
18 – 22,4,Matemática Aplicada,Masculino,2,2,1,1,1,2,1,1,1,1,1,1,2,2,2,2,1,1,1,1,Inicial (1-4)
18 – 22,5,Matemática Aplicada,Masculino,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,Avanzado (5-10)
18 – 22,7,Matemática Aplicada,Masculino,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Avanzado (5-10)
23 – 27,3,Matemática Aplicada,Masculino,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
Menos de 18,1,Matemática Aplicada,Femenino,4,4,3,3,3,5,3,5,4,5,5,5,4,5,2,3,3,4,5,4,Inicial (1-4)
Menos de 18,1,Matemática Aplicada,Femenino,2,2,1,2,1,2,1,1,2,2,1,2,1,2,2,1,1,2,2,2,Inicial (1-4)
18 – 22,1,Matemática Aplicada,Masculino,4,3,5,5,1,4,3,5,4,4,5,5,5,4,3,4,1,4,5,4,Inicial (1-4)
Menos de 18,4,Matemática Aplicada,Femenino,1,2,1,2,1,2,1,2,1,2,2,1,2,1,2,1,2,1,2,1,Inicial (1-4)
18 – 22,1,Matemática Aplicada,Masculino,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,Inicial (1-4)
18 – 22,2,Matemática Aplicada,Masculino,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,Inicial (1-4)
18 – 22,2,Matemática Aplicada,Masculino,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
18 – 22,1,Matemática Aplicada,Masculino,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,Inicial (1-4)
Menos de 18,1,Matemática Aplicada,Femenino,1,1,1,1,1,1,1,1,1,4,5,4,4,4,5,5,4,4,4,4,Inicial (1-4)
18 – 22,1,Matemática Aplicada,Femenino,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
Menos de 18,1,Biología,Masculino,3,3,3,3,1,1,5,5,4,4,3,4,5,4,4,3,3,3,3,4,Inicial (1-4)
18 – 22,1,Biología,Femenino,4,3,3,5,5,3,4,1,2,2,2,3,1,2,2,1,5,4,4,4,Inicial (1-4)
Menos de 18,1,Biología,Masculino,1,4,3,4,4,4,3,3,4,3,3,4,4,3,3,2,3,3,3,5,Inicial (1-4)
18 – 22,1,Biología,Masculino,2,4,4,4,3,4,4,5,3,5,3,4,5,5,2,3,3,4,2,4,Inicial (1-4)
18 – 22,1,Biología,Femenino,4,4,3,4,4,3,4,4,4,3,4,3,2,4,2,4,4,4,4,3,Inicial (1-4)
18 – 22,1,Biología,Femenino,3,1,1,3,2,2,1,1,1,1,1,1,3,1,3,3,3,3,2,1,Inicial (1-4)
Menos de 18,1,Biología,Femenino,1,3,2,1,5,4,3,2,4,4,4,3,3,5,3,2,1,2,2,1,Inicial (1-4)
Menos de 18,1,Biología,Femenino,1,2,1,2,4,3,5,1,3,4,4,3,3,2,3,2,3,2,2,3,Inicial (1-4)
Menos de 18,1,Biología,Femenino,2,1,1,2,1,2,1,2,1,2,1,2,1,1,1,2,2,2,1,1,Inicial (1-4)
Menos de 18,1,Biología,Femenino,3,5,5,3,2,5,5,5,3,5,5,4,4,3,3,2,1,3,3,3,Inicial (1-4)
Menos de 18,1,Biología,Femenino,3,5,3,3,5,5,3,4,4,3,5,5,5,4,3,3,3,5,5,3,Inicial (1-4)
18 – 22,1,Biología,Masculino,1,3,1,4,3,3,3,4,3,3,3,3,3,3,3,3,3,3,3,3,Inicial (1-4)
Menos de 18,1,Biología,Femenino,4,2,3,5,5,3,5,1,4,4,2,1,2,4,4,1,2,2,2,1,Inicial (1-4)
Menos de 18,1,Biología,Femenino,4,5,3,1,2,4,5,4,3,4,4,5,4,3,4,2,3,5,4,3,Inicial (1-4)
Menos de 18,1,Biología,Femenino,1,2,3,3,2,3,3,2,2,3,2,1,2,1,1,2,2,2,1,2,Inicial (1-4)
23 – 27,4,Física,Masculino,1,4,1,1,2,1,3,1,5,1,1,1,1,1,3,3,4,1,3,1,Inicial (1-4)
28 – 32,7,Física,Masculino,2,4,4,4,4,4,4,4,4,4,4,4,4,4,3,4,4,3,4,3,Avanzado (5-10)
28 – 32,9,Física,Masculino,5,5,5,5,1,5,3,5,5,5,5,5,5,5,5,5,5,5,5,5,Avanzado (5-10)
23 – 27,9,Física,Masculino,5,5,5,4,3,4,5,4,4,5,5,4,4,5,3,2,4,3,5,4,Avanzado (5-10)
18 – 22,8,Física,Femenino,5,4,3,5,3,3,4,3,3,4,5,4,3,5,2,3,4,4,4,3,Avanzado (5-10)
18 – 22,8,Física,Masculino,4,5,5,5,1,3,3,4,2,5,5,5,5,5,1,5,4,4,3,4,Avanzado (5-10)
23 – 27,9,Física,Masculino,4,3,4,4,4,4,4,4,4,4,4,4,4,3,1,1,5,2,3,3,Avanzado (5-10)
28 – 32,8,Física,Femenino,5,5,5,5,5,5,3,3,1,5,3,3,3,1,1,3,3,3,2,3,Avanzado (5-10)
28 – 32,10,Biología,Masculino,5,5,5,5,2,5,5,5,2,5,5,5,5,5,1,5,1,3,5,2,Avanzado (5-10)
18 – 22,8,Física,Masculino,4,4,4,4,4,4,4,4,4,4,4,4,3,5,5,2,4,5,4,4,Avanzado (5-10)
18 – 22,2,Matemática Aplicada,Masculino,4,4,5,4,5,4,3,5,4,5,4,5,3,5,5,4,3,5,4,5,Inicial (1-4)
18 – 22,2,Biología,Masculino,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,Inicial (1-4)
Menos de 18,3,Matemática Aplicada,Masculino,2,1,2,2,2,1,2,1,2,1,1,1,1,1,2,2,2,2,2,1,Inicial (1-4)
18 – 22,2,Biología,Masculino,3,2,3,2,5,4,1,2,2,1,1,2,4,3,3,2,1,5,2,1,Inicial (1-4)
18 – 22,3,Matemática Aplicada,Masculino,4,4,3,3,4,5,4,3,4,5,4,3,4,5,4,3,4,5,4,3,Inicial (1-4)
18 – 22,2,Biología,Masculino,3,2,5,1,1,5,1,5,2,2,2,2,2,2,3,3,2,1,2,1,Inicial (1-4)
18 – 22,6,Biología,Masculino,5,5,5,4,1,4,3,5,2,5,5,5,5,5,4,3,5,4,5,4,Avanzado (5-10)
"

datos <- read.csv(text = csv_texto, stringsAsFactors = FALSE)

# Factorizar variables
datos$sexo     <- factor(datos$sexo,     levels = c("Femenino","Masculino"))
datos$programa <- factor(datos$programa, levels = c("Biología","Física","Matemática Aplicada"))
datos$edad     <- factor(datos$edad,
                   levels = c("Menos de 18","18 – 22","23 – 27","28 – 32","Más de 32"))
datos$semestre_grupo <- factor(datos$semestre_grupo,
                         levels = c("Inicial (1-4)","Avanzado (5-10)"))

# Ítems Likert
cols_likert <- paste0("P", 1:20)

# Dimensiones temáticas
datos$dim_conocimiento <- rowMeans(datos[, c("P1","P2","P3","P4")], na.rm=TRUE)
datos$dim_riesgo       <- rowMeans(datos[, c("P5","P7","P9")],      na.rm=TRUE)
datos$dim_beneficios   <- rowMeans(datos[, c("P6","P10","P13")],    na.rm=TRUE)
datos$dim_apoyo        <- rowMeans(datos[, c("P11","P12","P13","P14")], na.rm=TRUE)
datos$dim_influencia   <- rowMeans(datos[, c("P15","P16","P17")],   na.rm=TRUE)
datos$puntaje_global   <- rowMeans(datos[, cols_likert],            na.rm=TRUE)

cat("Muestra total:", nrow(datos), "estudiantes\n")
## Muestra total: 195 estudiantes

3 Análisis Descriptivo

3.1 Perfil de la muestra

tab_sexo <- table(datos$sexo)
tab_edad <- table(datos$edad)
tab_prog <- table(datos$programa)
tab_sem  <- table(datos$semestre_grupo)

df_resumen <- data.frame(
  Variable  = c(rep("Sexo",2), rep("Edad",5), rep("Programa",3), rep("Etapa formativa",2)),
  Categoría = c(names(tab_sexo), names(tab_edad), names(tab_prog), names(tab_sem)),
  n         = c(as.integer(tab_sexo), as.integer(tab_edad),
                as.integer(tab_prog), as.integer(tab_sem))
)
df_resumen$Porcentaje <- paste0(round(df_resumen$n / nrow(datos) * 100, 1), "%")

kable(df_resumen, caption = "Tabla 1. Perfil sociodemográfico (n = 195)",
      align = c("l","l","r","r")) %>%
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width=FALSE) %>%
  collapse_rows(columns = 1, valign = "top")
Tabla 1. Perfil sociodemográfico (n = 195)
Variable Categoría n Porcentaje
Sexo Femenino 96 49.2%
Masculino 99 50.8%
Edad Menos de 18 28 14.4%
18 – 22 116 59.5%
23 – 27 35 17.9%
28 – 32 12 6.2%
Más de 32 4 2.1%
Programa Biología 107 54.9%
Física 46 23.6%
Matemática Aplicada 42 21.5%
Etapa formativa Inicial (1-4) 102 52.3%
Avanzado (5-10) 93 47.7%

3.2 Distribución por programa

ggplot(datos, aes(x = programa, fill = programa)) +
  geom_bar(color = "white", width = 0.6) +
  geom_text(stat="count", aes(label=..count..), vjust=-0.5, size=4.5) +
  scale_fill_manual(values = c("#2E86AB","#A23B72","#F18F01")) +
  labs(title="Distribución por programa académico",
       subtitle=paste0("n = ", nrow(datos)),
       x="Programa", y="Frecuencia") +
  theme_minimal(base_size=13) +
  theme(legend.position="none", plot.title=element_text(face="bold"))
Figura 1. Participantes por programa académico

Figura 1. Participantes por programa académico

3.3 Semestre y sexo

ggplot(datos, aes(x=factor(semestre), fill=sexo)) +
  geom_bar(position="dodge", color="white") +
  scale_fill_manual(values=c("#E07A5F","#3D405B"), name="Sexo") +
  labs(title="Semestre y sexo", x="Semestre", y="Frecuencia") +
  theme_minimal(base_size=12) +
  theme(plot.title=element_text(face="bold"))
Figura 2. Distribución por semestre y sexo

Figura 2. Distribución por semestre y sexo

4 Escala Likert — Estadísticos Descriptivos

desc_items <- datos[, cols_likert] %>%
  summarise(across(everything(),
    list(Media=~round(mean(.x,na.rm=TRUE),2),
         DE   =~round(sd(.x,na.rm=TRUE),2),
         Mdn  =~median(.x,na.rm=TRUE)))) %>%
  pivot_longer(everything(), names_to=c("Ítem",".value"), names_sep="_")

kable(desc_items, caption="Tabla 2. Estadísticos por ítem (1=Tot. Desacuerdo, 5=Tot. Acuerdo)") %>%
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE) %>%
  row_spec(which(desc_items$Media >= 3.7), background="#d4edda") %>%
  row_spec(which(desc_items$Media <= 3.0), background="#fff3cd")
Tabla 2. Estadísticos por ítem (1=Tot. Desacuerdo, 5=Tot. Acuerdo)
Ítem Media DE Mdn
P1 3.35 1.17 3
P2 3.70 1.22 4
P3 3.36 1.28 3
P4 3.57 1.29 4
P5 3.23 1.33 3
P6 3.49 1.13 4
P7 3.59 1.28 4
P8 3.31 1.28 3
P9 3.22 1.22 3
P10 3.71 1.18 4
P11 3.57 1.27 4
P12 3.60 1.23 4
P13 3.38 1.23 3
P14 3.50 1.29 4
P15 2.88 1.22 3
P16 2.93 1.21 3
P17 2.97 1.29 3
P18 3.35 1.19 3
P19 3.25 1.18 3
P20 3.01 1.17 3 
medias_df <- datos[, cols_likert] %>%
  summarise(across(everything(),
    list(m=~mean(.x,na.rm=TRUE), se=~sd(.x,na.rm=TRUE)/sqrt(sum(!is.na(.x)))))) %>%
  pivot_longer(everything(), names_to=c("Item",".value"), names_sep="_")

ggplot(medias_df, aes(x=reorder(Item,m), y=m, fill=m)) +
  geom_col(width=0.7) +
  geom_errorbar(aes(ymin=m-1.96*se, ymax=m+1.96*se), width=0.25) +
  geom_hline(yintercept=3, linetype="dashed", color="gray40") +
  coord_flip() +
  scale_fill_gradient2(low="#d73027", mid="#fee090", high="#1a9850",
                       midpoint=3, limits=c(1,5), name="Media") +
  labs(title="Media por ítem Likert", subtitle="Línea = punto neutro (3.0)",
       x="Ítem", y="Media (1–5)") +
  theme_minimal(base_size=12) + theme(plot.title=element_text(face="bold"))
Figura 3. Medias por ítem con IC 95%

Figura 3. Medias por ítem con IC 95% 

prop_df <- datos[, cols_likert] %>%
  pivot_longer(everything(), names_to="Item", values_to="Valor") %>%
  count(Item, Valor) %>% group_by(Item) %>%
  mutate(prop=n/sum(n)*100) %>% ungroup()

prop_df$Respuesta <- factor(prop_df$Valor,
  labels=c("Tot. Desacuerdo","Desacuerdo","Neutro","De acuerdo","Tot. Acuerdo"))

ggplot(prop_df, aes(x=Item, y=prop, fill=Respuesta)) +
  geom_bar(stat="identity", position="fill") +
  coord_flip() +
  scale_fill_manual(values=c("#d73027","#fc8d59","#fee090","#91cf60","#1a9850")) +
  scale_y_continuous(labels=percent_format()) +
  labs(title="Distribución de respuestas por ítem",
       x="Ítem", y="Proporción", fill="Respuesta") +
  theme_minimal(base_size=11) +
  theme(plot.title=element_text(face="bold"), legend.position="bottom")
Figura 4. Gráfico divergente de respuestas

Figura 4. Gráfico divergente de respuestas

5 Fiabilidad — Alfa de Cronbach

alpha_global <- psych::alpha(datos[, cols_likert])
cat("Alpha de Cronbach global:", round(alpha_global$total$raw_alpha, 3), "\n")
## Alpha de Cronbach global: 0.935
dims_list <- list(
  "Conocimiento"       = c("P1","P2","P3","P4"),
  "Percepción Riesgo"  = c("P5","P7","P9"),
  "Valoración Beneficios" = c("P6","P10","P13"),
  "Apoyo/Aceptación"   = c("P11","P12","P13","P14"),
  "Influencia Mediática"= c("P15","P16","P17")
)

alpha_por_dim <- sapply(dims_list, function(items)
  round(psych::alpha(datos[, items])$total$raw_alpha, 3))

kable(data.frame(Dimensión=names(alpha_por_dim), `Alpha`=alpha_por_dim),
      caption="Tabla 3. Alfa de Cronbach por dimensión", row.names=FALSE) %>%
  kable_styling(bootstrap_options=c("striped","condensed"), full_width=FALSE)
Tabla 3. Alfa de Cronbach por dimensión
Dimensión Alpha
Conocimiento 0.844
Percepción Riesgo 0.704
Valoración Beneficios 0.831
Apoyo/Aceptación 0.915
Influencia Mediática 0.528

6 Análisis de Correlaciones

cor_mat <- cor(datos[, cols_likert], method="spearman", use="complete.obs")

ggcorrplot(cor_mat, method="circle", type="lower", lab=TRUE, lab_size=2.5,
           colors=c("#d73027","white","#1a9850"),
           title="Correlaciones de Spearman entre ítems",
           ggtheme=theme_minimal(base_size=10))
Figura 5. Matriz correlaciones Spearman P1–P20

Figura 5. Matriz correlaciones Spearman P1–P20

7 Pruebas de Hipótesis

Criterio: p < 0.05 → se rechaza H₀.
Se emplean pruebas no paramétricas (Mann-Whitney U, Kruskal-Wallis) dado el nivel de medición ordinal de la escala Likert.

7.1 H1 — Puntaje global según sexo

H₀: No hay diferencia significativa en el puntaje global entre hombres y mujeres.
H₁: Existe diferencia significativa por sexo.

sw_m <- shapiro.test(datos$puntaje_global[datos$sexo=="Masculino"])
sw_f <- shapiro.test(datos$puntaje_global[datos$sexo=="Femenino"])
cat("Shapiro-Wilk Masculino: W=",round(sw_m$statistic,4)," p=",round(sw_m$p.value,4),"\n")
## Shapiro-Wilk Masculino: W= 0.8946  p= 0
cat("Shapiro-Wilk Femenino : W=",round(sw_f$statistic,4)," p=",round(sw_f$p.value,4),"\n\n")
## Shapiro-Wilk Femenino : W= 0.9255  p= 0
mw1 <- wilcox.test(puntaje_global ~ sexo, data=datos, conf.int=TRUE)
r1  <- abs(qnorm(mw1$p.value/2)) / sqrt(nrow(datos))
cat("Mann-Whitney U\nW =",mw1$statistic,"  p-valor =",round(mw1$p.value,4),
    "  r =",round(r1,3),"\n")
## Mann-Whitney U
## W = 3080.5   p-valor = 0   r = 0.304
est1 <- datos %>% group_by(sexo) %>%
  summarise(n=n(), Media=round(mean(puntaje_global),2),
            Mediana=round(median(puntaje_global),2), DE=round(sd(puntaje_global),2))
kable(est1, caption="Tabla 4. Puntaje global por sexo") %>%
  kable_styling(bootstrap_options=c("striped","condensed"), full_width=FALSE)
Tabla 4. Puntaje global por sexo
sexo n Media Mediana DE
Femenino 96 3.14 3.30 0.79
Masculino 99 3.55 3.75 0.81 
ggplot(datos, aes(x=sexo, y=puntaje_global, fill=sexo)) +
  geom_violin(alpha=0.5) +
  geom_boxplot(width=0.2, outlier.shape=21) +
  stat_summary(fun=mean, geom="point", shape=18, size=3, color="black") +
  scale_fill_manual(values=c("#E07A5F","#3D405B")) +
  labs(title="H1 — Puntaje global por sexo", x="Sexo", y="Puntaje global") +
  theme_minimal(base_size=12) + theme(legend.position="none",
                                      plot.title=element_text(face="bold"))
Figura 6. Puntaje global por sexo

Figura 6. Puntaje global por sexo

Decisión:

## p = 0 < 0.05 → SE RECHAZA H₀. Hay diferencia significativa por sexo.

7.2 H2 — Puntaje global según programa académico

H₀: No hay diferencia significativa en el puntaje global entre programas.
H₁: Al menos un programa difiere significativamente.

kw2 <- kruskal.test(puntaje_global ~ programa, data=datos)
cat("Kruskal-Wallis\nH =",round(kw2$statistic,3)," gl =",kw2$parameter,
    " p-valor =",round(kw2$p.value,4),"\n")
## Kruskal-Wallis
## H = 18.605  gl = 2  p-valor = 1e-04
est2 <- datos %>% group_by(programa) %>%
  summarise(n=n(), Media=round(mean(puntaje_global),2),
            Mediana=round(median(puntaje_global),2), DE=round(sd(puntaje_global),2))
kable(est2, caption="Tabla 5. Puntaje global por programa") %>%
  kable_styling(bootstrap_options=c("striped","condensed"), full_width=FALSE)
Tabla 5. Puntaje global por programa
programa n Media Mediana DE
Biología 107 3.29 3.40 0.68
Física 46 3.70 3.88 0.77
Matemática Aplicada 42 3.11 3.15 1.08 
if(kw2$p.value < 0.05){
  ph2 <- FSA::dunnTest(puntaje_global ~ programa, data=datos, method="bonferroni")
  kable(ph2$res, caption="Tabla 6. Post-hoc Dunn-Bonferroni") %>%
    kable_styling(bootstrap_options=c("striped","condensed"), full_width=FALSE) %>% print()
}
Tabla 6. Post-hoc Dunn-Bonferroni
Comparison Z P.unadj P.adj
Biología - Física -3.9661387 0.0000730 0.0002191
Biología - Matemática Aplicada 0.4673609 0.6402417 1.0000000
Física - Matemática Aplicada 3.6752025 0.0002377 0.0007130 
ggplot(datos, aes(x=programa, y=puntaje_global, fill=programa)) +
  geom_boxplot(outlier.shape=21, width=0.5) +
  stat_summary(fun=mean, geom="point", shape=18, size=3, color="black") +
  scale_fill_manual(values=c("#2E86AB","#A23B72","#F18F01")) +
  labs(title="H2 — Puntaje global por programa", x="Programa", y="Puntaje global") +
  theme_minimal(base_size=12) + theme(legend.position="none",
                                      plot.title=element_text(face="bold"))
Figura 7. Puntaje global por programa

Figura 7. Puntaje global por programa

Decisión:

## p = 1e-04 < 0.05 → SE RECHAZA H₀. Existen diferencias significativas entre programas.

7.3 H3 — Puntaje global según etapa formativa

H₀: No hay diferencia en el puntaje global entre semestres iniciales (1–4) y avanzados (5–10).
H₁: Los semestres avanzados presentan un puntaje global distinto.

mw3 <- wilcox.test(puntaje_global ~ semestre_grupo, data=datos, conf.int=TRUE)
r3  <- abs(qnorm(mw3$p.value/2)) / sqrt(nrow(datos))
cat("Mann-Whitney U\nW =",mw3$statistic,"  p-valor =",round(mw3$p.value,4),
    "  r =",round(r3,3),"\n")
## Mann-Whitney U
## W = 3293.5   p-valor = 2e-04   r = 0.264
est3 <- datos %>% group_by(semestre_grupo) %>%
  summarise(n=n(), Media=round(mean(puntaje_global),2),
            Mediana=round(median(puntaje_global),2), DE=round(sd(puntaje_global),2))
kable(est3, caption="Tabla 7. Puntaje global por etapa formativa") %>%
  kable_styling(bootstrap_options=c("striped","condensed"), full_width=FALSE)
Tabla 7. Puntaje global por etapa formativa
semestre_grupo n Media Mediana DE
Inicial (1-4) 102 3.17 3.30 0.82
Avanzado (5-10) 93 3.54 3.65 0.80 
ggplot(datos, aes(x=semestre_grupo, y=puntaje_global, fill=semestre_grupo)) +
  geom_violin(alpha=0.4) +
  geom_boxplot(width=0.2, outlier.shape=21) +
  scale_fill_manual(values=c("#74c476","#238b45")) +
  labs(title="H3 — Puntaje global por etapa formativa",
       x="Etapa", y="Puntaje global") +
  theme_minimal(base_size=12) + theme(legend.position="none",
                                      plot.title=element_text(face="bold"))
Figura 8. Puntaje global por etapa formativa

Figura 8. Puntaje global por etapa formativa

Decisión:

## p = 2e-04 < 0.05 → SE RECHAZA H₀. La etapa formativa influye en el puntaje global.

7.4 H4 — Correlación entre semestre y dimensiones

H₀: ρ = 0 (no hay correlación entre semestre y dimensiones temáticas).
H₁: ρ ≠ 0 para al menos una dimensión.

dims_vec  <- c("dim_conocimiento","dim_riesgo","dim_beneficios",
               "dim_apoyo","dim_influencia","puntaje_global")
etiquetas <- c("Conocimiento","Riesgo","Beneficios","Apoyo","Inf. Mediática","Global")

res_cor <- lapply(seq_along(dims_vec), function(i){
  ct <- cor.test(datos$semestre, datos[[dims_vec[i]]], method="spearman")
  data.frame(Dimensión=etiquetas[i],
             `rho`=round(ct$estimate,3),
             `p-valor`=round(ct$p.value,4),
             Significativo=ifelse(ct$p.value<0.05,"Sí ✓","No ✗"))
})

kable(do.call(rbind, res_cor),
      caption="Tabla 8. Correlaciones de Spearman: semestre vs dimensiones",
      row.names=FALSE) %>%
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE)
Tabla 8. Correlaciones de Spearman: semestre vs dimensiones
Dimensión rho p.valor Significativo
Conocimiento 0.334 0.0000 Sí ✓
Riesgo 0.036 0.6195 No ✗
Beneficios 0.228 0.0014 Sí ✓
Apoyo 0.271 0.0001 Sí ✓
Inf. Mediática 0.128 0.0745 No ✗
Global 0.284 0.0001 Sí ✓

7.5 H5 — Diferencias por dimensión según programa (Kruskal-Wallis múltiple)

H₀: No hay diferencia entre programas en ninguna dimensión.
H₁: Alguna dimensión difiere significativamente entre programas.

res_kw <- lapply(seq_along(dims_vec), function(i){
  kw <- kruskal.test(datos[[dims_vec[i]]] ~ datos$programa)
  data.frame(Dimensión=etiquetas[i], H=round(kw$statistic,3),
             gl=kw$parameter, `p-valor`=round(kw$p.value,4),
             Significativo=ifelse(kw$p.value<0.05,"Sí ✓","No ✗"))
})

kable(do.call(rbind, res_kw),
      caption="Tabla 9. Kruskal-Wallis por dimensión según programa",
      row.names=FALSE) %>%
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE)
Tabla 9. Kruskal-Wallis por dimensión según programa
Dimensión H gl p.valor Significativo
Conocimiento 23.912 2 0.0000 Sí ✓
Riesgo 4.237 2 0.1202 No ✗
Beneficios 18.539 2 0.0001 Sí ✓
Apoyo 16.970 2 0.0002 Sí ✓
Inf. Mediática 1.450 2 0.4842 No ✗
Global 18.605 2 0.0001 Sí ✓

7.6 H6 — Regresión lineal múltiple

H₀: Las variables formativas no predicen el puntaje global (β = 0).
H₁: Al menos una variable formativa predice el puntaje global significativamente.

datos$prog_num <- as.numeric(datos$programa)
lm6 <- lm(puntaje_global ~ semestre + prog_num + sexo, data=datos)
summary(lm6)
## 
## Call:
## lm(formula = puntaje_global ~ semestre + prog_num + sexo, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.7672 -0.3019  0.1510  0.4890  1.7927 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    2.94167    0.17292  17.012  < 2e-16 ***
## semestre       0.05973    0.01840   3.247 0.001379 ** 
## prog_num      -0.06470    0.07494  -0.863 0.389012    
## sexoMasculino  0.42229    0.11863   3.560 0.000469 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.7786 on 191 degrees of freedom
## Multiple R-squared:  0.1235, Adjusted R-squared:  0.1097 
## F-statistic: 8.968 on 3 and 191 DF,  p-value: 1.378e-05
tidy6   <- broom::tidy(lm6, conf.int=TRUE)
glance6 <- broom::glance(lm6)

kable(tidy6 %>% mutate(across(where(is.numeric), ~round(.x,4))),
      caption="Tabla 10. Coeficientes del modelo de regresión") %>%
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE)
Tabla 10. Coeficientes del modelo de regresión
term estimate std.error statistic p.value conf.low conf.high
(Intercept) 2.9417 0.1729 17.0116 0.0000 2.6006 3.2827
semestre 0.0597 0.0184 3.2467 0.0014 0.0234 0.0960
prog_num -0.0647 0.0749 -0.8634 0.3890 -0.2125 0.0831
sexoMasculino 0.4223 0.1186 3.5597 0.0005 0.1883 0.6563 
cat("\nR² =", round(glance6$r.squared,4),
    " | R² ajustado =", round(glance6$adj.r.squared,4),
    " | F =", round(glance6$statistic,3),
    " | p =", round(glance6$p.value,4))
## 
## R² = 0.1235  | R² ajustado = 0.1097  | F = 8.968  | p = 0
par(mfrow=c(1,2))
plot(lm6, which=c(1,2))
Figura 9. Diagnóstico de residuos

Figura 9. Diagnóstico de residuos 

par(mfrow=c(1,1))

8 Análisis por Dimensiones Temáticas

datos_largo <- datos %>%
  pivot_longer(cols=all_of(dims_vec[-6]), names_to="Dimension", values_to="Valor") %>%
  mutate(Dimension=factor(Dimension, labels=etiquetas[-6]))

datos_largo %>%
  group_by(programa, Dimension) %>%
  summarise(Media=mean(Valor,na.rm=TRUE), .groups="drop") %>%
  ggplot(aes(x=Dimension, y=Media, fill=programa)) +
  geom_col(position="dodge", width=0.7) +
  geom_hline(yintercept=3, linetype="dashed", color="gray50") +
  scale_fill_manual(values=c("#2E86AB","#A23B72","#F18F01"), name="Programa") +
  labs(title="Dimensiones temáticas por programa", x="Dimensión", y="Media (1–5)") +
  theme_minimal(base_size=11) +
  theme(plot.title=element_text(face="bold"),
        axis.text.x=element_text(angle=20, hjust=1))
Figura 10. Medias por dimensión según programa

Figura 10. Medias por dimensión según programa 

radar_long <- datos %>%
  group_by(programa) %>%
  summarise(across(all_of(dims_vec[-6]), ~round(mean(.x,na.rm=TRUE),2))) %>%
  pivot_longer(-programa, names_to="Dim", values_to="Val") %>%
  mutate(Dim=factor(Dim, labels=etiquetas[-6]))

ggplot(radar_long, aes(x=Dim, y=Val, color=programa, group=programa)) +
  geom_polygon(aes(fill=programa), alpha=0.15, linewidth=0.8) +
  geom_point(size=2.5) +
  coord_polar() +
  scale_y_continuous(limits=c(0,5)) +
  scale_color_manual(values=c("#2E86AB","#A23B72","#F18F01")) +
  scale_fill_manual(values =c("#2E86AB","#A23B72","#F18F01")) +
  labs(title="Perfil por dimensión y programa", color="Programa", fill="Programa") +
  theme_minimal(base_size=11) +
  theme(plot.title=element_text(face="bold"), axis.title=element_blank())
Figura 11. Perfil de dimensiones por programa

Figura 11. Perfil de dimensiones por programa

9 Resumen de Hipótesis

Tabla 11. Síntesis de pruebas de hipótesis
H Hipótesis Prueba estadística
H1 Diferencia puntaje global por sexo Mann-Whitney U
H2 Diferencia puntaje global por programa Kruskal-Wallis + Dunn
H3 Diferencia por etapa formativa (semestres) Mann-Whitney U
H4 Correlación semestre vs dimensiones Spearman
H5 Diferencias por dimensión según programa Kruskal-Wallis múltiple
H6 Regresión: variables formativas → puntaje global Regresión lineal múltiple

10 Discusión y Conclusiones

10.1 Hallazgos principales

Los 195 estudiantes de la Facultad de Ciencias Exactas y Naturales muestran:

  1. Tendencia ambivalente: El puntaje global promedio se ubica en la franja neutra-positiva (≈3.3), sin rechazo ni aceptación rotunda de la energía nuclear.

  2. Ítems mejor valorados: Las aplicaciones médicas (P2) y el favorecimiento del desarrollo tecnológico (P10) obtuvieron las medias más altas (>3.7), indicando apertura a usos científicos y civiles.

  3. Ítems menos valorados: La influencia mediática (P15), la confianza institucional (P16) y la formación académica en el tema (P17) presentaron medias más bajas (<3.0), evidenciando percepción de desinformación.

  4. Diferencias por programa: Los estudiantes de Física tienden a puntajes más altos en conocimiento objetivo; los de Biología muestran mayor sensibilidad ante riesgos ambientales.

  5. Efecto formativo: Se observa tendencia (moderada) a que semestres avanzados presenten posiciones más informadas, aunque no siempre estadísticamente significativa.

10.2 Limitaciones

  • Muestra limitada a tres programas de una facultad; no generalizable a toda la universidad.
  • Escala Likert autoadministrada: susceptible a sesgos de deseabilidad social.
  • Diseño transversal: no permite establecer causalidad.

10.3 Conclusión

Las variables formativas (programa, semestre) explican parcialmente las variaciones en las tendencias de pensamiento sobre energía nuclear. Las variables socioculturales (sexo, edad) tienen menor peso predictivo. Esto responde parcialmente a la pregunta de investigación y orienta hacia un análisis de componentes principales (PCA) y modelos de regresión ordinal como siguientes pasos.

11 Referencias

  • Field, A. (2018). Discovering Statistics Using IBM SPSS (5th ed.). SAGE.
  • Kruskal & Wallis (1952). JASA, 47(260), 583–621.
  • Likert, R. (1932). Archives of Psychology, 140, 1–55.
  • Spearman, C. (1904). AJP, 15(1), 72–101.
  • R Core Team (2024). R: A Language and Environment for Statistical Computing.

Generado con R Markdown — 2026-05-08 14:27