APLICACIÓN DE TÉCNICAS MULTIDIMENSIONALES AL ESTUDIO DE LOS ESTILOS DE APRENDIZAJE EN ESTUDIANTES DE INGENIERÍA DE LA UNIVERSIDAD TECNOLÓGICA NACIONAL (UTN) DE MENDOZA Y LA RIOJA.
Eduardo Escalante Gómez*
Rubén Barrionuevo**
Manuel Mercado***

Resumen

El objeto de este estudio es identificar los Estilos de Aprendizaje (EA) utilizados por los estudiantes de ingeniería de la Universidad Tecnológica Nacional de Mendoza y la Rioja,  con el fin de explorar de manera multidimensional sus diferentes estilos  La muestra está constituida por 236 estudiantes de ingeniería. Se aplicó el instrumento estandarizado denominado CHAEA, cuestionario de Honey-Alonso de Estilos de Aprendizaje (1994).  Este estudio es de tipo multivariado; se realizó un análisis de componentes principales, análisis factorial, y análisis de cluster.
Se obtuvo dos factores que se denominaron: primer factor Teórico-Reflexivo y segundo factor Activo-Pragmático. Se identificaron tres cluster o conglomerados. Se detectó diferencias significativas entre los tres conglomerados respecto del Factor I (estilo teórico-reflexivo), entre los conglomerados 1 y 3 respecto del Factor II (estilo activo-pragmático), entre los conglomerados 3 y 2 respecto del Factor II. Estos resultados evidencian la necesidad de genera un análisis curricular y posiblemente la generación de estrategias pedagógicas que permitan la mayor variedad posibles de situaciones de aprendizaje para influir, junto a otras variables, al logro de mejores rendimientos académicos.

Palabras claves: Estilos de aprendizaje, análisis multidimensional, estadística multivariada.

Nuestra personalidad y estilo de aprendizaje influyen en la manera habitual en que percibimos y procesamos la información durante el aprendizaje. Estas variables extraacadémicas son objeto de estudio en universidades de Europa y Estados Unidos de Norteamérica por su importancia en el desempeño académico, en la elección de especialidad, la satisfacción y eficiencia de sus alumnos.  Se puede citar, para el área específica de la medicina, los estudios de: Newble D, et.al. (1986), Bitrán et. al. (2003); Correa (2006) en estudiantes de fisiología del ejercicio; para el área de la odontología: Westerman G, et. al.(1989), Concha y López (2009); para el área de arquitectura: Úbeda y Escribano (2002); y para el área de ingeniería: Martínez-y-Moreno, et. al. (2007).
De estos estudios surge el interés por  conocer los estilos de aprendizaje de los estudiantes de ingeniería. Se ha reconocido que cuando se aprende algo nuevo, no todos los estudiantes se centran en los mismos aspectos de la información; algunos se concentran en los análisis téoricos, mientras que otros prefieren realizar actividades prácticas. En este sentido, la identificación de los estilos de aprendizaje de los estudiantes de ingeniería podría ser un apoyo a la hora de planear y adoptar determinada estrategia para enfrentar el conjunto de actividades académicas, con lo que se podría favorecer la constitución de ambientes que propicien una buena disposición para producir un aprendizaje eficaz.
Para la formación en ingeniería es importante conocer lo que podría estar dificultando el progreso hacia la comprensión, descripción, análisis y aplicación de lo propio de la ingeniería, ya que los estudios de ingeniería combinan de diferentes maneras los procesos de aprendizaje y enseñanza vía inducción o deducción, aprendizaje teórico y aprendizaje práctico. Es decir, generan demandas con modalidades específicas en el aprendizaje de las temáticas ingenieriles. A partir de los resultados, se podría sugerir la necesidad de emplear una mayor variedad de estilos de aprendizaje al momento de diseñar y concretar las prácticas curriculares. Esto potenciaría la variedad e integración de estilos de aprendizaje  requeridos por los estudios de ingeniería. De ningún modo se propugna un proceso homogeneizador de los estilos de aprendizaje de los estudiantes.
No se pretende asociar los estilos de aprendizaje con carreras o profesiones. Si se define como estilo de aprendizaje a un patrón habitual o forma preferida de hacer algo por parte de un estudiante, se está señalando que los estilos de aprendizaje están referidos a características individuales de aprendizaje y como tales están asociadas a los individuos que aprenden y no a su profesión.
Por supuesto que estos aprendizajes están orientados según la carrera o profesión que se estudia y al ser la Ingeniería una profesión eminentemente práctica, se podría inferir que existen estilos de mayor preferencia entre los estudiantes que estudian esta carrera, o que los conocimientos impartidos, por su diseño curricular, podrían potenciar a unos estilos sobre otros.         
Las destrezas en ingeniería significan procesos específicos de comprensión, de percepción, de procesamiento y a partir de ellos la ingeniería diseña las correspondientes formas de enseñar – esto si se asume el criterio de hipótesis máxima: lo que debería ocurrir. En definitiva, de ningún modo se podría hablar que hay estilos de aprendizaje de profesiones determinadas, pero si se puede hablar de que la ingeniería tiene procesos de adquisición de las habilidades propias de la profesión y son ellos los que demandan determinadas destrezas, modos y estilos de aprendizaje.
Se optó por el Cuestionario de Honey-Alonso de Estilos de Aprendizaje (CHAEA), elaborado por C. Alonso y Domingo Gallego (1994). El cuestionario está compuesto de 80 afirmaciones, 20 por cada estilo (organizados aleatoriamente).
La muestra de este estudio estuvo conformada por 236 estudiantes de ingeniería: electro-mecánica de Mendoza y la Rioja, Civil, Sistemas, Sistemas de Mendoza, y Electrónica de la Rioja. Se aplicó a una muestra de estudiantes de segundos a quintos años. El procesamiento de información y clasificación de los estudiantes según sus estilos de aprendizaje se realizó empleando técnicas de análisis multivariado y multidimensional.

2. Análisis multidimensionales.

Como señala Césari (2007), la posibilidad de recurrir a métodos exploratorios y descriptivos multidimensionales puede contribuir a evidenciar  la estructura  de la información  contenida en los datos.
Los métodos más utilizados son:

Y como bien comenta Césari (2007), estos métodos son función de las escalas de medida utilizadas y de la  estructura de las tablas construidas cuando se capturan los datos.

2.1. Análisis de Componentes Principales

            Diferentes autores, entre ellos Kim y Mueller (1978), Johnson (1998), Hair, et. al. (1999), Vivanco (1999), Pérez (2001), Peña (2002), y Díaz (2002) señalan una serie de criterios al momento de analizar datos multivariados, entre ellos, la reducción de la dimensión de los mismos, con este tipo de procedimientos solamente hay una pérdida pequeña de información. Estos autores comentan que una característica de los métodos factoriales es que siempre producen resultados más o menos interpretables y éstos no son una simple descripción, sino que ponen de ma­nifiesto la estructura existente entre los datos, de ahí la necesidad de estudiar la validez de los resultados. Es preciso analizar si representan una estructura existente entre ellos o simplemente se trta de fluctuaciones de los datos o de la definición y codificación de las variables.
Además, mencionan que los métodos empíricos utilizados habitualmente para determinar el número de factores estables, realizan los análisis por separado de cada tabla, miden la correlación entre los factores obtenidos en cada uno de ellos y los generados en el análisis de la tabla original. Si los ejes son estables los factores obtenidos en las diversas tablas estarán altamente correlacionados. En caso contrario, si las correlaciones son semejantes con factores de distinto orden, el eje es arbitrario resultado del azar, y no se considera estable.
En este trabajo se aplicó un método empírico para el análisis de la estabilidad de los resultados proporcionados por la técnica exploratoria Análisis de Componentes Princi­pales (ACP).
            El objetivo fue obtener los factores definitivos en el contenido de la información a partir de análisis factoriales. Existen diferentes métodos de extracción de los factores, entre ellos se encuentra el de componentes principales (ACP). Los componentes principales tienen como finalidad reducir el número de indicadores con la menor pérdida de información al sintetizarlos en los componentes principales o factores. Teóricamente se parte de un espacio dimensional correlacionado entre sí y se pasa a un nuevo conjunto de k variables denominadas factores, que representan las combinaciones lineales de las variables originales incorrelacionadas.
            El criterio autovalor (eigenvalue) plantea que el número de factores lo decidirá la varianza acumulada por éstos y que sean mayores a 1. Los porcentajes de la varianza total explicada por cada factor se suman, y cuando dicho porcentaje acumulado alcance el nivel mínimo idóneo, se dejan de seleccionar más factores. El criterio para un nivel idóneo de explicación de la varianza total por los factores, puede oscilar entre un 60% y un 85%; si no llega a explicar el 50%, el análisis factorial empieza a ser pobre, si explica por encima del 85%, indicará una advertencia de indicadores redundantes, por lo tanto, está mal diseñado el análisis factorial. Para Pérez (2001) en Ciencias Sociales, es suficiente el 60%.
El paso siguiente fue realizar el análisis de cluster o congomerados. Este tipo de análisis busca reducir una muestra de casos a unos pocos grupos estadísticamente diferentes, conglomerados o clusters, basados en las diferencias/similaridades a partir de un grupo de variables múltiples. Es una herramienta útil para construir tipologías a partir de casos o variables.
A través del análisis de cluster o conglomerados se puede dividir las observaciones en grupos significativos con individuos en un grupo más similar a otro que los individuos en otro grupo; y se puede dividir variables en grupos de modo que las variables en un grupo estén más relacionadas que las variables en otro grupo.
            ¿Qué se espera obtener de este tipo de análisis?

3. Análisis multidimensionales aplicados al estudio de los Estilos de Aprendizaje

Aclaradas las cuestiones conceptuales asociadas a los análisis multidimensionales, se procedió al análisis de los datos usando el programa estadístico: Statistical Package for Social Sciences, versión 17.0, conocido como SPSS.

3.1 Análisis de Componentes Principales

            El primer paso fue aplicar la primera técnica aludida, el Análisis de Componentes Principales a las puntuaciones obtenidas por los estudiantes de la muestra en los cuatro estilos de aprendizaje que sustentan el cuestionario CHAEA: estilo activo, pragmático, teórico, y reflexivo. En la tabla 1 se pueden observar los estadísticos descriptivos para los puntajes totales obtenidos por cada estudiante para cada estilo de aprendizaje.

Tabla 1 – Estadísticos descriptivos de los cuatro estilos de aprendizaje

        En la tabla 2 se puede apreciar que el estilo reflexivo obtiene la media más alta de los cuatro estilos. Dado que se trata de estudiantes de distintas cohortes, se examinó a través de la prueba de t Student si había diferencias significativas entre los estudiantes de 2 y 3 años con los de 4 y 5 año. Se aceptó la hipótesis nula dado que no hay diferencias significativas en estos dos grupos respecto de los estilos de aprendizaje.
El análisis de Componentes Principales arrojó los siguientes porcentajes individuales y acumulados de la varianza total explicada por cada componente, para la solución rotada y no rotada.

Tabla 2 – Varianza Total Explicada

                Una lectura de la tabla permite constatar que el  porcentaje de variación total explicado es de 75,25%, si procedemos a incluir un tercer componente, la variación total explicada es del 89,44%. El tema sería evaluar si genera casi una componente por variable y con lo cual no se estaría reduciendo el espacio y la construcción de una explicación basada en un número reducido de variables, que es el propósito de la aplicación de este tipo de técnicas.
            Se procedió a la rotación de la matriz de componentes aplicando una rotación VARIMAX que dentro de los procedimientos ortogonales, es el más utilizado y trata de minimizar el número de variables que hay con pesos o saturaciones elevadas en cada factor. Los resultados aparecen en la tabla 3 y permite observar las cargas de las variables sobre una determinada componente, lo que permite una interpretación más directa de las mismas.

Tabla 3 – Matriz de Componente Rotados

            Esta rotación de los componentes o factores permite señalar que los puntajes de: estilo teórico (.859) y estilo reflexivo (.814) tienen un mayor peso, o saturan más, en el primer componente o factor, y los puntajes del estilo activo (.868) y estilo pragmático (.735) tienen un mayor peso en el segundo componente o factor.  El análisis de componentes principales entregó como resultado las variables resumidas en dos factores, además, confirmó que entre los puntajes para los estilos Reflexivo-Teórico y los estilos Pragmático-Activo no existe relación en este conjunto de datos.
Para asignar un nombre a cada factor se pueden seguir distintos procedimientos, en este caso por claridad de la argumentación,  se optó por llamar al primer factor Teórico-Reflexivo y al segundo factor Activo-Pragmático (manteniendo el orden de las cargas en cada factor). De este modo, fue posible señalar que los cuatro estilos se podrían resumir en dos factores, y que entre ambos componentes no existe relación en el conjunto de datos que se analizó.
            Las consideraciones metodológicas indican que las variables que tienen un mayor peso en un factor, se correlacionan altamente entre sí y tienen poca correlación los las variables que cargan en el otro factor. Esto se debe a la ortogonalidad presente entre los componentes.
            Al graficar los componentes o factores – gráfico 1- se puede visualizar las relaciones entre las variables estudiadas y las componentes extraídas. Los valores de cada variable en las coordenadas corresponden a los pesos factoriales de las mismas en los ejes de cada factor. Pueden ser valores comprendidos entre -1 y 1, y cuanto mayor sea esta coordenada, más contribuye a la formación del eje, a la inercia del mismo. En el gráfico se puede observar que las variables están más cerca de aquella componente sobre la que cargan más alto.

Gráfico 1 – Componentes en espacio para el Factor 1 y Factor 2

3.2 Análisis de Cluster (AC)

En un primer momento la utilización del AC es puramente exploratoria, interesa saber cuántos grupos de estudiantes de ingeniería pueden generarse en función de sus puntuaciones en los dos componentes o factores que mide el cuestionario de estilos de aprendizaje. Para el análisis de cluster se usó las puntuaciones obtenidas para los dos componentes o factores identificados por la técnica de Análisis de Componentes Principales.

Tabla 4 – Casos en cada conglomerado

            La tabla 4 representa el número de estudiantes de ingenierías que se clasificó dentro de cada uno de los conglomerados o clusters. La tabla 5 incluye las medias de cada componente o factor en cada uno de los 3 conglomerados. Se eliminó dos sujetos que conformaban un cluster.
Para clasificar a los estudiantes de las carreras de ingeniería se empleó el conglomerado cuya información se asemejaba más al vector de medias.

Tabla 5 – Centro de los conglomerados finales
           

Con esta información se pudo configurar los diferentes conglomerados:

Conglomerado 1: Agrupa a los estudiantes que están por encima de la media en los puntajes del Factor I: estilo reflexivo-teórico. Estos estudiantes de ingeniería responderían mejor a este tipo de  variedad de situaciones de aprendizaje.
Conglomerado 2: Agrupa a los estudiantes que están bajo la media en ambos factores, es decir, en los cuatro estilos de aprendizaje (pragmático, activo, reflexivo y teórico). Estos estudiantes de ingeniería presentarían mayor dificultad con una variedad de situaciones de aprendizaje.
Conglomerado 3: Agrupa a los estudiantes que están sobre la media en el factor II: estilo pragmático-activo, pero por debajo de la media en los puntajes para estilos teórico-reflexivo (factor I).
Un 53,8% de los estudiantes de ingeniería (conglomerado 1) tiene un alto nivel en estilo teórico y estilo reflexivo. Estilos que se podrían considerar adecuados para la enseñanza basada principalmente en procesos de construcción teórica y desarrollo o aprendizaje de abstracciones. Se podría pensar que es el grupo más preparado para la “docencia clásica de las universidades”. Un 10,6% de los estudiantes tiene un bajo nivel en los cuatro estilos de aprendizaje. Finalmente, un 35,5% de los estudiantes tiene un alto nivel en el estilo activo y estilo pragmático. Este grupo podría tener dificultades en el rendimiento académico si los estudios son preferentemente de trabajo académico con abstracciones.
            Para comparar a los tres grupos se procedió a comprobar la homogeneidad de varianzas, empleando la prueba de Levene.

Tabla 6 – Homogeneidad de Varianzas

            La tabla 7 pone de manifiesto que existen diferencias significativas entre los conglomerados en los dos factores considerados.

Tabla 7 – Análisis de varianza de un factor

            El paso siguiente fue examinar entre qué conglomerados se dan las diferencias para lo cual se aplicó pruebas post-hoc, específicamente las pruebas de Tukey y Scheffe. Se detectó diferencias significativas entre los tres conglomerados respecto del Factor I (estilo teórico-reflexivo), entre los conglomerados 1 y 3 respecto del Factor II (estilo activo-pragmático), entre los conglomerados 3 y 2 respecto del Factor II.
            El hecho de que la muestra estuviera conformada por estudiantes de diferentes cohortes, de segundo año a quinto año, y no se detectaran diferencias significativas entre ellos, se podría estimar que independientemente del año que se curse, existirían los agrupamientos mencionados más arriba. En el caso de los estudiantes de ingeniería de quinto año, el problema podría ser que si salen preferentemente con un estilo teórico-reflexivo, la adaptación al ambiente profesional podría presentar ciertas dificultades, y es por ello que deberían salir con una variedad mayor de preferencias por diversos estilos.
Estos resultados derivan por una parte de las preferencias del estudiante, y por otra parte del tipo de prácticas curriculares en las que han participado, es decir, estas últimas influirían en la forma de aprender. Es importante señalar que los estilos no pueden considerarse estáticos o inamovibles y que no se postula un proceso de homogeneización de los estudiantes.
El trabajo académico de formación de ingenieros que involucra ciencia, tecnología y cultura, requiere preocuparse de la forma de apropiación de los  estudiantes que pertenecen a un tipo de conglomerado y explorar la modalidad de conducción curricular de los aprendizajes. Se hace necesario compatibilizar contenido curricular, estrategias de enseñanza y estilos de aprendizaje favorecidos por estos procesos. Estas variables, entre otras, se podrían compaginar para favorecer o inhibir, la calidad de los aprendizajes,  la potencial repitencia y deserción en las carreras de ingeniería.

4. Conclusiones

La concepción teórica conformada para la comprensión y estudio de los estilos de aprendizaje proporciona sin dudas, información básica, aunque no suficiente para organizar la teoría y práctica de un proceso de enseñanza-aprendizaje que pretenda tributar al desarrollo de la personalidad. Indiscutiblemente, se hace necesario establecer los fundamentos didácticos para concebir un proceso de enseñanza-aprendizaje desarrollador sobre la base de los estilos de aprendizaje.
El uso y combinación de de técnicas estadísticas multivariadas permitieron obtener un cuadro de sus estilos de aprendizaje, lo que hubiera sido más complejo usando los procedimiento clásicos de la estadística bivariada.
El estudio revela que el estilo de aprendizaje preferido por los estudiantes de ingeniería es el  estilo teórico-reflexivo y que para estos estudiantes se identifican solamente dos grandes factores: el teórico-reflexivo y el activo-pragmático y no los cuatro estilos señalados por los autores del CHAEA. Sería interesante explorar la hipótesis que los estudiantes con preferencia por los procesos de abstracción se destacarían por su capacidad de estructurar el pensamiento y los estudiantes con preferencia por los procesos concretos, por su flexibilidad de pensamiento.
Este estudio corrobora, en alguna medida, la hipótesis de que la mayoría de los estudiantes tiene, en mayor o menor proporción, preferencia por un factor (fortaleza y debilidad respectivamente).  Conocerlo permitiría explotar su propio factor y explorar y ejercitar otros para mejorar su rendimiento académico, pero se requieren estudios de intervención para comprobarlo. Algunos autores proponen la aplicación de todos los estilos de aprendizaje en forma secuencial en encuentros educacionales (Armstrong, 2005).
Este tipo de hipótesis y los hallazgos de este estudio permitirían señalar la importancia que podrían tener los estilos de aprendizaje al momento de examinar sus resultados académicos (Luengo y González, 2005; Ruiz, et.al.,2006).
Desde la perspectiva del rendimiento académico, parecería razonable examinar la hipótesis de que los estudiantes con habilidades abstracto-reflexivas tendrían ventajas en el ciclo básico de la carrera y los concreto-activos en el ciclo práctico.
Un aprendizaje óptimo requeriría potenciar ambos factores relacionados con los estilos de aprendizaje, por lo que sería conveniente que las actividades curriculares desarrollaran estos factores. Con esto se podría facilitar el aprendizaje de todos los estudiantes, cualesquiera sea el estilo preferido y, además, se ayudaría a potenciar los estilos con los que se sienten menos cómodos.
            Es preciso, aclarar que, como señalan Rinaudo, et.al. (2003), desde diversas posiciones teóricas e investigaciones recientes, se ha enfatizado la importancia de atender tanto a los componentes cognitivos como a los componentes motivacionales implicados en el aprendizaje. Se debería considerar todos estos componentes a la hora de determinar las causas que pudieran estar incidiendo en el rendimiento académico de los estudiantes de ingeniería.

Bibliografía

Alonso, C., Gallego, D., Honey, P. (1994). Los Estilos de Aprendizaje: Procedimientos de Diagnóstico y Mejora. Bilbao: Ediciones Mensajero.
Armstrong E, Parsa-Parsi R. How can physicians' learning styles drive educational planning? Acad Med 2005; 80: 680-4.
Bitrán C, Marcela et al. Tipos psicológicos y estilos de aprendizaje de los estudiantes que ingresan a Medicina en la Pontificia Universidad Católica de Chile. Rev. méd. Chile [online]. 2003, vol.131, n.9 [citado  2010-02-02], pp. 1067-1078.
Camarero, F., Martín del Buey, F. & Herrero, J. (2000). Estilos y estrategias de aprendizaje en estudiantes universitarios. Psicothema, 12(4), 615-622.
Cesari, R. (2007). Apuntes de Clase, Maestría en Ingeniería Ambiental, Universidad Nacional de Cuyo, Facultad de Ingeniería.
Concha, S. G. & López, B. I. Estilos de aprendizaje y rendimiento teórico-práctico de alumnos de Imagenología, tercer año de Odontología. Int. J. Odontostomat., 3(1):23-28, 2009.
Correa, J. Identificación de los estilos de aprendizaje en los estudiantes de fisiología del ejercicio de la Facultad de Rehabilitación y Desarrollo Humano. Rev. Cienc. Salud. Bogotá (Colombia) 4 (Especial): 41-53, octubre de 2006.
Díaz, Luis Guillermo, Estadística Multivariada (2002). Inferencia y métodos. México: McGraw Hill.
Escofier B. y Pagés J. (1990). Análisis factoriales simples y múltiples, objetivos, métodos e interpretación. París: Dunod – Bordas.
Felder, R. (2004). Conferencia “Como estructurar la currícula en Ingeniería” en el IV CAEDI. Congreso Argentino de Enseñanza de Ingeniería. Instituto Tecnológico de Buenos Aires. 1-3 de setiembre de 2004
Felder, R.M. and Spurlin, J. (2005). Applications, Reliability and Validity of the Index of Learning Styles. International Journal on Engineering Education, Vol. 21, No. 1, pp. 103-112.
Hair, J.,  Anderson, R.; Tatham, R. y Black, W., (1999). Análisis multivariante. México: Prentice Hall.
Jensen, D. (2000). Incorporating learning styles to enhance mechanical engineering curricula by restructuring courses , increasing hands – on activities and improving team dynamic. Journal of. Department of Engineering Mechanics Air Force Academy. (11),11-18.
Johnson, Dallas E., (1998). Métodos multivariados aplicados al análisis de datos. México: International Thomson Editores.
Kim, J. y Mueller, C.W. (1978). An introduction to factor analysis: What it is and how to do it. Beverly Hills CA: Sage.
Luengo, R y González, J. J. (2005).Relación entre los estilos de aprendizaje, el rendimiento en matemáticas y la elección de asignaturas optativas en alumnos de E.S.O.. Relieve, v. 11, nº 2, 147-165.
Martínez-y-Moreno, J., Espinosa-Aquino, B., de-la-Chaussee, M., Martínez-Lara, G. (2007) El aprendizaje activo en ingeniería química, trabajo estudiantil en equipo. Tecnol. Ciencia Ed. (IMIQ) 22(2): 84-93.
Newble D, Entwistle N. Learning  styles and approaches: implications for medical education. Med Educ. 1986; 20. 162-75.
Peña, Daniel, (2002). Análisis de Datos Multivariantes. México:Mc Graw Hill.
Pérez, César, (2001). Técnicas Estadísticas con SPSS. México: Prentice Hall.
Ubeda Mansilla, P. y Escribano, M.L. (2002). Estudio contrastivo de los estilos de aprendizaje en los estudios de Arquitectura. Didáctica (Lengua y Literatura),v.14, 251-271.
Rinaudo, M.C., Chiecher, A., Donolo, D. (2003). Motivación y uso de estrategias en estudiantes universitarios. Su evaluación a partir del Motivated Strategies Learning Questionnaire. Anales de Psicología, vol. 19, n° 1 (junio), 107-119.
Romo Aliste, M. E., D. López Real, J. Tovar Martínez et al. (2004). Estilos de aprendizaje de estudiantes de nutrición y dietética, Facultad de Medicina, Universidad de Chile, Revista Praxis 5.
Ruiz, B.L., Trillos, J.; Morales, J. (2006). Estilos de aprendizaje y rendimiento académico en estudiantes universitarios. Revista Galego-Portuguesa de Psicoloxia y educación, v. 13, (11), 441-460.
Vivanco M. (1999). Análisis estadístico multivariable. Teoría y práctica. Santiago, Chile: Editorial Universitaria. 
Westerman G, Grandy T, Combs C, Turner C. Personality variables as predictors of performance for first year dental students. J. Dent. Educ. 1989; 53: 233-7.