Los procesos de análisis cuantitativa

Los procesos de análisis cuantitativa en nuestra investigación ha tenido como objetivo 1) identificar la adhesión de cada uno de los indicadores a los contextos que hemos investigado y 2) encontrar variaciones estadisticamente significativas de la adhesión de esos indicadores a los distintos perfiles dentro del mismo contexto.

Este primero objetivo, hemos logrado con la simples verificación de la frecuencia que cada indicador ha tenido en cada contexto, por otro lado, la verificación de variaciones estadisticamente significativas implica pruebas especificas. Segundo las buenas prácticas en el campo de el análisis cuantitativa, una variación es estadísticamente significativa cuando hay al menos 95% de probabilidad de que esa variación no sea casual, o sea, cuando el valor de significación (p-value) que obtenemos desde las pruebas estadísticas, sea menor que 0,05 (Cohen et al., 2017). Entonces, siempre cuando nos referimos a variación estadisticamente significativa, estamos haciendo referencia aquellas el valor de significación es menor que 0,05 (p-value < 0,05).

En los dos contextos de nuestra investigación, hemos obtenido una muestra de datos bastante heterogénea, que para efectos de análisis cuantitativa, implica una boa adecuación a las pruebas no paramétricas. Mismo teniendo eso en mente, buscamos identificar la normalidad de la distribución de los datos que hemos recogido, utilizando la prueba Shapiro Wilk. Hemos constatado que incluso las variables ordinales que tuvimos no son aproximadamente normales, lo que refuerza la elección de las pruebas no paramétricas para encontrar las relaciones que queríamos en nuestra análisis. Todo el proceso de análisis cuantitativa, incluso la generación de gráficos se ha hecho con los softwares GNU PSPP¹¹ y el software R¹².

Una vez que hemos determinado la utilización de pruebas no paramétricas para determinar las variaciones estadísticamente significativas, el próximo paso fue determinar cuales serían las pruebas adecuadas para cada análisis. Tal elección es hecha de acuerdo con las características de las variables involucradas. La Tabla 15 presenta las pruebas qui hicimos para la identificación de variaciones estadísticamente significativas en cada caso.

Percibimos que para el contexto de las comunidades hacker, además de identificar la adhesión de los indicadores de educación hacker y empoderamiento a toda la muestra,

11 Más información en <https://www.gnu.org/software/pspp/>

buscamos identificar las variaciones estadisticamente significativas de esos indicadores en relación a los distintos subcontinentes, a los movimientos de que forman parte los hackers y la identidad de género.

En el contexto del Conexão Escola-Mundo hemos buscado identificar en el cuestionario Escola-Mundo 2018, las variaciones estadísticamente significativas de acuerdo con los roles en el proyecto y la identidad de género de los participantes. En el Escola-Mundo 2019, además de buscar diferencias significativas de acuerdo con estas dos variables, también buscamos variaciones significativas de acuerdo con lo que llamamos subcontextos, o sea, agrupamos los participantes en cinco grupos, de acuerdo con el grupo de acciones que cada uno estuvo más cerca: 1) El contexto del 5o. Año A y B con 41 estudiantes; 2) El contexto del 5o. Año C con 24 estudiantes (que presenta especificidades cuando comparada con las acciones de los otros años); 3) El contexto del 7o. Año con 63 estudiantes; 4) El contexto de la secundaria con 36 estudiantes y 5) El contexto formado por los maestros e investigadores con 12 personas. Aunque todos estos grupos son parte del Conexão Escola-Mundo, tienen especificidades en relación al conjunto de acciones que se llevaron a cabo. En qué medida son diferentes las experiencias entre estos grupos es algo que queremos entender en este análisis.

Tabla 15. Pruebas elegidas para identificar variaciones estadísticamente significativas

Fuente: Elaboración propia.

La prueba Kruskal Wallis se mostró más adecuada para los casos en que teníamos una variable categórica con más de 2 categorías (Subcontinentes, Identidad de Género, Roles, Subcontexto e Identidad de género en el ciclo 2019) y una variable ordinal (los indicadores

Variables categóricas

Subcontinente Kruskal Wallis Prueba exacta de Fisher

Movimiento* Mann-Whitney Qui Cuadrado

Identidad de género Kruskal Wallis Prueba exacta de Fisher

Roles Kruskal Wallis Prueba exacta de Fisher

*Variable de respuesta múltiple que para las análisis fue dividida en diferentes variables binarias.

representados en las preguntas de escala Likert). La prueba de Mann-Whitney es similar al Kruskal Wallis, sin embargo, adecuado cuando se tiene una variable categórica con hasta 2 categorías (Movimientos e Identidad de género en el ciclo 2018) y una variable ordinal (los indicadores representados en las preguntas de escala Likert).

La prueba Exacta de Fisher a sido elegida para los casos en que teníamos variable categórica con más de 2 categorías (Subcontinentes, Identidad de Género, Roles, Subcontexto e Identidad de género en el ciclo 2019) y una variable categórica nominal (los indicadores binarios, representados en las preguntas de selección). Por fin, el qui cuadrado ha sido elegido para los casos en que teníamos una variable con hasta 2 categorías (Movimientos e Identidad de género en el ciclo 2018) y una variable categórica nominal (los indicadores binarios, representados en las preguntas de selección).

Un punto a se destacar sobre el análisis cuantitativa del cuestionario Comunidades Hacker, es que al preguntas sobre el movimiento específico del cual el hacker hace parte, los hicimos con una pregunta de múltiple elección, pues es común que un hacker participe de más de un movimiento. Para que fuera posible el análisis de la variable Movimiento (SDMOV) en relación a los indicadores, fue necesario convertir-la en diferentes variables booleanas, como se muestra en la Tabla 16.

Tabla 16. Conversión de la variable SDMOV (múltiple selección) para variables binarias

Fuente: Elaboración propia

Con tal estrategia, al ejecutar las pruebas para identificar variaciones estadísticamente significativas, no fue hecho una comparación entre los distintos movimientos pero para cada uno, aisladamente, buscamos variaciones entre los que hacen parte y los que no hacen parte.

A lo largo delos capítulos 6 y 7 vamos a ver los resultados obtenidos en tales análisis, exponiendo la adherencia de cada indicador a los contextos como un todo y de los distintos

Variable de selección múltiple Variables booleanas

grupos dentro del mismo contexto, cuando esos han presentado variaciones estadísticamente significativas.