ISSN 2215-3535
Actualidades en Psicología, 40 (140), enero-junio, 2026, 64-80
https://doi.org/10.15517/ap.v40i140.5592
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
www.revistas.ucr.ac.cr/index.php/actualidades
Universidad de Costa Rica
Relación entre experiencias metacognitivas y autoecacia,
habilidad y dicultad de tareas matemáticas
Relationship between Metacognitive Experiences and Self-ecacy, Skill, and
Diculty of Mathematical Task
Alejandra Alfaro-Barquero 1
https://orcid.org/0000-0002-8901-7129
Greivin Ramírez Arce 2
https://orcid.org/0000-0002-3731-5415
Mauricio Molina-Delgado 3
https://orcid.org/0000-0003-4335-3095
1 Instituto Tecnológico de Costa Rica, Departamento de Orientación y Psicología, Cartago, Costa Rica
2 Instituto Tecnológico de Costa Rica, Escuela de Matemática, Cartago, Costa Rica
3 Universidad de Costa Rica, Escuela de Filosofía, San José, Costa Rica
1 alealfaro@itcr.ac.cr 2 gramirez@itcr.ac.cr 3 mauricio.molina.delgado@gmail.com
Recibido: 07/05/2025. Aceptado: 05/02/2026.
Resumen. Objetivo.
tareas de matemática y la precisión metacognitiva de los juicios de desempeño y el rendimiento académico,
esto a través del uso de modelos de ecuaciones estructurales. Método. Para ello, se implementó en 2012 un
estudio cuantitativo no experimental con 495 personas estudiantes universitarias. Se utilizaron la escala de
curso matriculado, una prueba de ejercicios matemáticos, así como autorreportes de los juicios de desempeño.
Resultados
-
cisión metacognitiva y el rendimiento.
Palabras clave.
Abstract. Objective. -
culty in mathematics, and the metacognitive accuracy of performance judgments and academic achievements
using structural equation modeling. Method. A non-experimental quantitative study was conducted in 2012
Tecnológico de Costa Rica admission exam and the enrolled course, a test of mathematical exercises, as well
as self-reported performance judgments. Results
-
tion was found between metacognitive accuracy and academic achievement.
Keywords.
Actualidades en Psicología, 40(140), 2026.
65
INICIO MÉTODO DISCUSIÓN REFERENCIAS
Introducción
El presente estudio se contextualiza dentro del
modelo de autorregulación para el aprendizaje, un
proceso cíclico de auto-realimentación orientado
hacia el logro de metas. Este plantea que las per-
sonas tienen la capacidad de establecer objetivos
-
cesarias para alcanzarlos, supervisar las acciones
implementadas, detectar errores, realizar correccio-
nes en sus estrategias y evaluar las acciones imple-
mentadas y los resultados obtenidos a través de la
metacognición y la regulación emocional (
& Schwartz, 2024; Kitsantas et al., 2008; Pintrich et
al, 1993; Zimmerman, 2002).
el grado de destreza percibido para adquirir habi-
lidades y lograr determinado desempeño, ha sido
relevante dentro del modelo de autorregulación,
además de tener efecto sobre el nivel de esfuer-
zo, la perseverancia, la motivación e interés de los
-
dos académicos, el aprovechamiento académico,
la predicción del desempeño y la probabilidad de
graduarse, estas por encima de otras variables afec-
tivas, el apoyo social y el desempeño mostrado en
cursos previos (Dutta et al., 2015; González-Franco
et al., 2022; Jaramillo et al., 2023; Kitsantas et al.,
2008; Rodríguez et al., 2015; Schoenfeld et al., 2017;
, 2012; Velasco Zárate et al., 2020).
Kitsantas et al. (2008) encontraron que la habi-
lidad previa, la autorregulación y las variables mo-
tivacionales explicaban el 47% del desempeño en
la población universitaria y que la autorregulación
metacognitiva, el sexo, la ansiedad y el valor de la
tarea no aportaban valor predictivo. Por su lado,
-
en las tareas potenciaba los procesos cognitivos y
-
tivamente en el rendimiento académico.
Más recientemente,
propusieron el Modelo Metacognitivo y Afectivo
sostienen que la metacognición, la motivación y el
afecto interactúan entre sí. Este modelo parte de
dos niveles: (a) persona y (b) tarea por persona. El
primer nivel alude a las características de las per-
sonas, que tienden a ser más estables en el tiempo
invertido sobre sí mismas y sus actitudes hacia el
aprendizaje, tales como sus conocimientos, sus ha-
-
cacia, entre otras.
más circunstanciales que pueden variar según el
la percepción de progreso en la misma, las expe-
riencias metacognitivas y las emociones asociadas.
Ambos niveles interactúan entre sí en la autorregu-
persona, pero que también pueden ajustarse desde
el nivel tarea por persona, cuando las experiencias
-
des durante la ejecución ().
El autoconcepto matemático y las emociones
tarea, así como también lo hace su nivel de habi-
lidad, que repercute sobre su conocimiento y es-
trategias metacognitivas (
2012). Asimismo, las emociones prospectivas y las
experiencias metacognitivas fueron predichas por
la habilidad, el autoconcepto matemático y el esta-
do de ánimo (). También, se
-
tica, lo que se correlaciona negativamente con la
Suárez et al., 2023).
Otra de las variables cruciales en los procesos
de autorregulación del aprendizaje es la metacog-
nición, conceptualizada por Flavell (1979) como los
conocimientos, el grado de conciencia y el control
que una persona ejerce sobre sus propios procesos
cognitivos, que incluyen cuatro componentes me-
tacognitivos: conocimientos, experiencias, metas y
de tipo declarativo, se almacenan en la memoria de
largo plazo, y son relativos a las características cog-
Actualidades en Psicología, 40(140), 2026.
66
INICIO MÉTODO DISCUSIÓN REFERENCIAS
nitivas personales, las demandas de la tarea y las
estrategias disponibles (Brown, 1987; Schraw, 1998).
a los objetivos con los que se emprende un pro-
por otro lado, son las acciones cognitivas o con-
ductuales implementadas en el proceso de solu-
ción de tareas orientadas al logro de las metas, así
como las estrategias de supervisión, regulación y
ajuste de la actividad cognitiva hacia el logro de la
meta (Flavell, 1979).
-
-
mientos de monitoreo y control, a través del uso
deliberado de estrategias tales como la atención
selectiva, la memoria de trabajo, la planeación, la
control inhibitorio ().
Por su parte las experiencias metacognitivas son
sentimientos y juicios sobre los propios estados
cognitivos o el desempeño en tareas de aprendi-
zaje y generan variedad de sensaciones tales como
consciencia cognitiva o experiencia afectiva vincu-
lada con tareas de aprendizaje y se relacionan con
aquellos sentimientos o juicios que resultan del
proceso de monitoreo a medida que se trabaja en
una tarea y de la evaluación de los resultados. De
ese modo, se vinculan con la memoria de trabajo
y ofrecen información sobre el proceso cognitivo
desde una perspectiva experiencial (Flavell, 1979;
; ).
Si bien las experiencias metacognitivas no son
equivalentes a las emociones, ambas interactúan
bidireccionalmente. Se ha encontrado que las emo-
las emociones positivas pueden generar sobrecon-
evidenció una correlación moderada entre la auto-
().
Todos estos factores entran en juego en la bús-
queda del objetivo, que activa representaciones
mentales de la tarea, procesamientos cognitivos de
la información y ejecución, y la evaluación del des-
empeño de forma prospectiva, durante la solución
de la tarea y de modo retrospectivo (-
chopoulos, 2012; ).
-
cognitivas es que la persona sea consciente de la
o inconsistencias, y se oriente hacia la corrección
de respuestas incorrectas o defectuosas. Dado que
el procesamiento cognitivo es en gran medida in-
consciente, la persona estudiante monitorea su
pensamiento y se percata de la calidad y el resul-
tado del procesamiento cognitivo a través de sus
experiencias metacognitivas, como un insumo de
retroalimentación subjetiva del desempeño (-
des & Schwartz, 2024).
categoría, que abarca variedad de creencias del
estudiantado antes, durante o después de resol-
ver una tarea cognitiva (
2021). Son juicios de probabilidad sobre el propio
aprendizaje y desempeño o creencias asociadas
con el grado de éxito alcanzado en una tarea (Ola-
ya Torres et al., 2023; Zapata et al., 2024), e incluye
Ruiz
Ortega & Álvarez Ríos, 2021).
El estudio de “los juicios metacognitivos se de-
sarrollan en un marco temporal, como juicios pre-
juicios postdictivos (RCJs)” (
al., 2021, p. 4). Dentro de esta condición de tem-
poralidad, se ha encontrado mayor precisión en los
juicios de aprendizaje retrospectivos frente a los
prospectivos (, 2006).
Morphew (2021) evaluó la precisión del monito-
reo y el efecto de la retroalimentación de la calibra-
ción metacognitivo en estudiantes de ingeniería a
lo largo de un semestre. Encontró que algunas per-
sonas mostraron mejoría en sus predicciones de ca-
mostraron bajo rendimiento fueron menos precisos
Actualidades en Psicología, 40(140), 2026.
67
INICIO MÉTODO DISCUSIÓN REFERENCIAS
-
luación de la calidad de la solución brindada frente
a una tarea cognitiva. Son insumos que le permiten
al individuo evaluar la utilidad y pertinencia de las
estrategias, conocimientos y destrezas adquiridas.
Asimismo, la precisión de los juicios de desempeño
-
ciones de desempeño de la persona se correspon-
den con la ejecución real obtenida en la tarea (-
des, 2006; ).
Analizar las experiencias metacognitivas resulta
relevante, pues variedad de estudios coinciden en
-
tivas y autorregulatorias en la población universita-
ria. También señalan bajos niveles de precisión en
sus estimaciones de desempeño o aprendizaje, de
tal manera que muestran una tendencia al exceso
, 2009; Chacón-Cama-
cho et al., 2025; Händel et al., 2020; Olaya Torres
et al., 2023;
más grave si se considera que el estudiantado con
bajo rendimiento académico suele tener menores
niveles de precisión en sus juicios metacognitivos
y pocas mejorías a lo largo del semestre lectivo
(Morphew, 2021).
A las carencias metacognitivas evidenciadas, se
-
siste a nivel universitario problemas de reprobación
crónica en las áreas de ingeniería, computación y
ciencias básicas, lo que genera rezago educativo y
afecta los tiempos de graduación (Programa Estado
de la Nacional [PEN], 2023). Además, se han repor-
tado porcentajes de reprobación en los cursos de
Matemática General entre un 40% y 50 %, sobrepa-
sando en algunas ocasiones el 60% (Chacón-Vargas
& Roldán-Villalobos, 2021).
-
cativo provocado por la pandemia COVID-19. En
este sentido, el Programa Estado de la Nación
(2023, 2025) señaló que las evaluaciones naciona-
les de 2023-2025, incluidas las pruebas sumativas
y diagnósticas de primaria y secundaria, mostraron
y no tendieron a mejorar durante el semestre. Por
sobre su habilidad mostró un rendimiento acadé-
mico menor, posiblemente porque invirtieron me-
nos horas de estudio de las necesarias. Incluso, si
los juicios son más precisos, no siempre se eviden-
cia una mejora en su rendimiento, si no se toman
decisiones estratégicas para controlar el aprendiza-
je (Olaya Torres et al., 2023).
Chacón-Camacho et al. (2025) señalan que los
juicios metacognitivos pueden presentar sesgos
con respecto al desempeño real de las personas. En
este contexto, la variable de calibración se estimará
como una diferencia entre el juicio metacognitivo
y el desempeño real, que pueden tener tendencia
es mayor que el objetivo, o negativa cuando el éxito
Por otro lado, la calibración sería nula en caso de
concordancia entre el éxito objetivo y el subjetivo
(ausencia de sesgos).
Estos juicios metacognitivos se pueden ver afec-
tados por una tendencia a lanzar conclusiones con
información limitada, como las variables de géne-
ro y factores emocionales tales como la ansiedad.
Se ha encontrado que, en el área matemática, se
población universitaria y que los hombres tienden a
sobreestimarse por encima de las mujeres, sin que
ello implique un mejor desempeño (Chacón-Cama-
cho et al., 2025). Händel et al. (2020) también iden-
juicios sobre evaluaciones académicas y una ten-
dencia a detectar con mayor facilidad precisión los
ítems correctos que los incorrectos.
Ello respalda los planteamientos de Moraitou
y Winne & Nesbit (2010), quienes
-
cientes de sus errores y que su percepción sobre
dichos fallos está asociada con las experiencias
metacognitivas, los vacíos de conocimiento, el
bloqueo mental, la carga de memoria de trabajo,
la atención y el control emocional.
Actualidades en Psicología, 40(140), 2026.
68
INICIO MÉTODO DISCUSIÓN REFERENCIAS
población estudiantil se ubicó en niveles básicos o
intermedios de desempeño y solo alrededor de un
19-23% alcanzó niveles avanzados en las poblacio-
nes de primaria y secundaria. Estos resultados son
más preocupantes si se considera que dichas prue-
bas evaluaron menos de una cuarta parte de los
Como se mencionó anteriormente, la autorre-
gulación metacognitiva ha sido señalada como una
variable central en el éxito académico de los estu-
diantes, pero la mayoría de estudios se han enfoca-
do en las áreas de comprensión lectora, aprendizaje
multimedia o en los entornos informáticos, la pre-
paración para evaluaciones y el aprendizaje colabo-
rativo (Olaya Torres et al., 2023), dejando relegada
la matemática (Winne & Nesbit, 2010).
Asimismo, tanto los modelos clásicos de auto-
rregulación como los más actualizados (
& Schwartz, 2024; Kitsantas et al., 2008; Pintrich
et al., 1993; Zimmerman, 2002) y otros estudios
recientes (Chacón-Camacho et al., 2025; Olaya
Torres et. al, 2023) destacan la estrecha relación
entre las variables metacognitivas, emocionales y
motivacionales y su repercusión en el estableci-
miento de metas de aprendizaje, el progreso y el
éxito de las tareas cognitivas.
En este contexto, surgen inquietudes sobre el
posible efecto de variables motivacionales como
ítem en la precisión metacognitiva y el rendimien-
to académico en matemática. Desde esta pers-
pectiva, el presente estudio se propuso evaluar
un modelo de ecuaciones estructurales que rela-
el aprendizaje y la habilidad matemática con los
juicios de desempeño, la precisión metacognitiva
y el rendimiento académico, esto a partir de las
siguientes hipótesis:
ejercen un efecto positivo sobre la precisión
metacognitiva de los juicios de desempeño.
H2. Existe una relación inversa entre el nivel de
-
cios de desempeño.
juicios de desempeño retrospectivos.
forma positiva con el rendimiento académico.
Método
Este estudio es cuantitativo no experimental y de
tipo transversal.
Participantes
Formaron parte del estudio 495 personas estu-
diantes matriculadas en los cursos de “Matemática
General” y “Cálculo Diferencial e Integral” en el Insti-
tuto Tecnológico de Costa Rica (ITCR; 27.3% mujeres
y 72.7% hombres, con una media de edad de 18.77,
DE = 1.65), de una población total de 1383 personas.
fueron seleccionados aleatoriamente. Para estimar el
mínimo de muestra requerido, se consideró el mo-
delo más complejo propuesto, que incluyó 9 varia-
-
rada de .80. Con el método estándar de MacCallum
et al. (1996) se obtuvo un valor de 375 sujetos.
Instrumentos
Para evaluar la adecuación del tamaño muestral
y la sensibilidad del modelo de ecuaciones estruc-
turales (SEM) propuesto, se realizó un análisis post-
hoc del poder estadístico de la muestra siguiendo
el método de MacCallum et al. (1996), basado en la
distribución ji-cuadrado no central. Se obtuvo un
valor de .90, lo que se considera aceptable.
-
cia para el aprendizaje y autoconcepto matemático,
la habilidad matemática, los conocimientos mate-
máticos, los juicios de desempeño prospectivos y
-
rea, la precisión de los juicios de desempeño, y el
rendimiento académico.
Actualidades en Psicología, 40(140), 2026.
69
INICIO MÉTODO DISCUSIÓN REFERENCIAS
cia en el área matemática que un individuo perci-
be de sí mismo.
En términos generales, el autoconcepto se de-
se construye a partir de diversas fuentes de infor-
-
empeño académico de los individuos” (Arrivillaga
Hurtado et al., 2023, p. 6). En el caso del ámbito
matemático, se relaciona con la percepción sobre
la capacidad para aprender y aplicar conceptos
matemáticos y resolver problemas numéricos, y
sobre el grado de interés por desempeñar este
tipo de tareas.
Por otra parte, la habilidad matemática puede
-
meros, procedimientos, símbolos, lenguaje mate-
mático y emplear el razonamiento en la solución
de problemas matemáticos, tanto en situaciones
nuevas como conocidas, y en la producción e inter-
pretación de distintos tipos de información (Beleño,
2022
dos indicadores. El primero de ellos fue el punta-
je de la Prueba de Aptitud Académica del ITCR en
el área matemática, que incluye tareas de razona-
miento matemático con operaciones básicas, de ra-
zonamiento deductivo/inductivo, de interpretación
-
-
co (Moreira-Mora, 2021).
en la prueba de ejercicios matemáticos, estimada
como una variable latente de conocimientos ma-
temáticos previos. Para esta medida, se utilizó el
la capacidad para razonar y aplicar conceptos, he-
chos, procedimientos, matemáticos para resolver
problemas y describir, explicar y predecir diversos
fenómenos (Instituto Nacional de Evaluación Edu-
cativa, 2019). Dicha prueba estuvo constituida por
9 ítems: 3 ítems tomados del Cuestionario de Ex-
periencias Metacognitivas de , pre-
viamente traducida e implementada en Corrales
(2015), y 6 ítems del Examen de Diagnóstico en
-
en inglés, tomada del Manual for the Use of the
Motivated Strategies for Learning Questionnaire de
Pintrich (1991)
de Cronbach de .93 (Pintrich et al., 1993). Para esta
investigación, dicha escala fue traducida al español
por parte de una persona experta graduada de Ba-
chillerato de inglés y, posteriormente, retraducida
nuevamente al inglés por otra persona con nivel
Posteriormente, fue piloteada en 2011 en una mues-
tra de 147 estudiantes del ITCR, y se obtuvo un co-
Se detallan a continuación los ítems que fue-
ron aplicados de dicha escala: (1) “Creo que voy
a obtener una excelente nota en este curso”; (2)
“Estoy seguro(a) de que puedo entender el tema
más difícil que se presente en las lecturas o prác-
ticas de este curso”; (3) “Estoy seguro(a) de po-
der aprender los conceptos básicos enseñados en
este curso”; (4) “Estoy seguro(a) de poder enten-
der los contenidos más complejos que se impar-
ten en este curso”; (5) “Estoy seguro(a) que puedo
hacer un excelente trabajo en las asignaciones y
exámenes de este curso”; (6) “Espero que me vaya
bien en esta clase”; (7) “Tengo seguridad de poder
dominar las habilidades que se enseñan en esta
clase”; y (8) “Pienso que me va a ir bien en este
-
mo, el profesor y mis habilidades”. Todos los ítems
se respondieron en una escala numérica ascen-
dente de 1 a 7, donde 1 era completamente falso
y 7, completamente verdadero.
Complementariamente, se aplicó el cuestiona-
rio de autoconcepto matemático, desarrollado por
y que incluye 22 ítems.
Esta fue traducida al español por el proceso de
doble traducción y fue aplicada en el estudio de
Corrales (2015)
Alfa de Cronbach de .94. Desde la perspectiva de
, el autoconcepto
-
Actualidades en Psicología, 40(140), 2026.
70
INICIO MÉTODO DISCUSIÓN REFERENCIAS
Matemática 2010 del Instituto Tecnológico de Costa
Rica (Ramírez & Barquero, 2011-
dos se detallan a continuación:
Mario recibe 90 dólares de paga a la semana. De
esto gasta 1/2 en comida, 1/6 en transporte, 1/5 para
la siguiente semana para completar la cantidad que
necesita para comprar un CD que cuesta 27 dólares?
Natalia decide economizar del dinero que le dan sus
padres cada semana, para comprar una cartera que
su paga, la segunda 1/3 y la tercera 1/4. Así, reúne
siguiente semana para obtener la cantidad que nece-
sita para comprar la cartera?
Nicolás dispone de 100 dólares al mes para recrea-
ción. De esto gasta la primera semana el 0.4 de
esa cantidad, la segunda el 0.15 de esa cantidad
esa cantidad del mes siguiente necesitará para pa-
gar los gastos de un viaje que cuesta 35 dólares?
()
Instituto Tecnológico de Costa Rica (Ramírez & Bar-
quero, 2011) fue aplicada en una muestra de 1042
estudiantes y mostró un alfa de Cronbach de .73,
-
que la conformaron se detallan a continuación:
-2 - 2b-1) . (b -
2a2)-1 donde a 0, b 0 y (b - 2a2) 0
Factorice completamente la siguiente expresión
6am - 2n + 4an - 3m
Resuelva la siguiente ecuación en (x + 3)2 = 9
Resuelva la siguiente ecuación en 5x-2 = 3
Despeje la variable m en la ecuación 1/n + 1/m = 2,
donde nmn
-
Ra-
mírez & Barquero, 2011)
-
no haber logrado resolver el ejercicio correctamen-
te, 1 mínimamente correcto, 2 parcialmente correc-
to y 3 correcto.
utilizando el modelo Rasch, que tiene como base
la Teoría de Respuesta al Ítem, que asume “la exis-
tencia de rasgos o aptitudes latentes que permiten
explicar la conducta de un examinado ante un ítem
en un test” (Martínez et al., 2006, p. 127). El modelo
-
cultad, entendido como un índice de posición en la
grado de aptitud requerida por los individuos para
acertar un ítem (Martínez et al., 2006).
En relación con los ítems de diagnóstico, dado
que se disponía de una base de datos de 1000 ca-
sos aplicados en el 2010 facilitada por la Escuela de
Matemática del ITCR, fue posible evaluar sus carac-
terísticas psicométricas desde el modelo de Rasch.
Todos mostraron una tendencia unidimensional y se
consistencia interna Alfa de Cronbach de .74.
través de autorreportes tomados del Cuestionario
de Experiencias Metacognitivas de ,
traducida e implementada por Corrales (2015). Este
medir la condición de temporalidad en que se ge-
neraron los juicios de desempeño, estos se regis-
traron antes de resolver los ejercicios (prospectiva-
mente) y después de haber enfrentado el ejercicio
-
guntó a las personas estudiantes las siguientes inte-
respuesta al ejercicio o problema plateado? (juicio
solución al ejercicio o problema anterior? (juicio re-
trospectivo). Ambas preguntas se respondieron en
escala de 0 a 3, donde 0 es nada; 1, poco; 2, bastan-
te y 3, totalmente.
Por su parte, la precisión metacognitiva se ob-
tuvo como variable latente y fue medida a través
Actualidades en Psicología, 40(140), 2026.
71
INICIO MÉTODO DISCUSIÓN REFERENCIAS
de dos indicadores: la ejecución mostrada en cada
ítem y los juicios de desempeño respectivos. Para
obtener un puntaje total de precisión, se utili-
zó el siguiente procedimiento: se calculó el error
de estimación. Para ello, los ítems matemáticos
la métrica utilizada en los juicios de desempeño.
Posteriormente, para estimar el error en la preci-
sión metacognitiva, se restó al juicio de desempe-
ño (prospectivo = JDP o retrospectivo = JDR según
el caso) de cada ítem el puntaje obtenido en la
solución de dicho ejercicio matemático. El mismo
procedimiento se siguió para calcular los errores
de estimación prospectivos. Con este método, se
obtuvieron valores que oscilaron entre -3 y 3 para
el error de estimación.
Un valor de cero (0), en el error de estima-
desempeño, dado que el puntaje asignado en
la escala de juicio de desempeño correspondió
en forma perfecta con el puntaje obtenido en el
-
tacognitiva. Por su parte, un puntaje de 3 o -3
de desempeño en la estimación del desempeño.
subestimación y el positivo, de sobreestimación.
Seguidamente, para obtener la precisión, se re-
obtenidos en el error de estimación, tal y como se
muestra en la Tabla 1.
Finalmente, los indicadores de rendimiento aca-
démico se tomaron a través de dos medidas: la cali-
-
lizar el semestre y el promedio ponderado general
de notas del estudiante. El rendimiento académico
se concibe como el resultado o los logros derivados
del proceso de aprendizaje hacia el logro de los ob-
jetivos de aprendizaje (
González-Benito et al., 2021).
Este proyecto contó con el visto bueno del De-
partamento de Orientación y Psicología, la Dirección
de la Escuela y docentes participantes de Matemá-
tica y con la autorización del Comité de Examen de
Admisión del ITCR. Todos los datos se manejaron
se realizó en el segundo semestre del 2012 durante
las clases y con previa autorización de los estudian-
tes mediante consentimiento informado.
Procedimiento
-
pacitó a dos estudiantes de la Carrera de Enseñan-
za de la Matemática del ITCR, seleccionados por
el docente de matemática Msc. Greivin Ramírez,
quien también participó en el entrenamiento de los
evaluadores y en el análisis de resultados de dicha
prueba. Para determinar el grado de concordancia
-
ción intraclase, cuyo valor oscila entre puntajes que
van de 0 a 1, siendo el valor mínimo aceptable para
el ICC .75 (Correa-Rojas, 2021-
el valor mínimo aceptable para el ICC es .75.
Posteriormente, los análisis de los datos se reali-
zaron utilizando el programa estadístico SPSS para
psicométricas de los instrumentos. Se estimó tam-
Se realizó un análisis de varianza para comparar
Puntaje de error de estimación -3 -2 -1 0 1 2 3
Puntaje de precisión 0 1 2 3 2 1 0
Tabla 1. Equivalencia para los puntajes de error de estimación y precisión prospectiva
Actualidades en Psicología, 40(140), 2026.
72
INICIO MÉTODO DISCUSIÓN REFERENCIAS
los juicios de desempeño prospectivos y retrospec-
tivos. Finalmente, se evaluó el modelo propuesto
con ecuaciones estructurales, incluyendo, como
-
pendientes, la precisión metacognitiva prospectiva
y retrospectiva (ver Figura 1).
Resultados
-
temático, ítems matemáticos, juicios de desempe-
ño, habilidad y conocimientos matemáticos incum-
plieron el supuesto de normalidad. Sin embargo, se
cumplieron los requerimientos en cuanto al número
requerido de muestra, alrededor de 500 casos, lo
Fidel (como se citó en Cea, 2002). Para la imple-
mentación de los modelos estructurales, se obtu-
vieron correlaciones superiores a .30.
Posteriormente, se realizó un análisis de factores
todas las escalas utilizadas, ya que, “la estimación
de máxima verosimilitud es razonablemente robus-
ta para muchas de las violaciones del supuesto de
normalidad” (Cea, 2002, p. 521). Además, se utiliza-
ron los siguientes indicadores de bondad de ajus-
te: el índice de ajuste comparativo (CFI), el índice
de ajuste incremental (IFI), cuyos valores deben ser
iguales o superiores a .9. De igual manera, se usó
la raíz cuadrada del error de estimación (RMSEA),
con valores inferiores o equivalente a .05, aunque
en Ciencias Sociales se suele aceptar valores de .08
(Cea, 2002). Finalmente, la chi-cuadrado será de
mejor ajuste cuánto más pequeña sea y cuando
tenga una probabilidad superior a .05 (Cea, 2002).
-
tos y medidas se detallan en la Tabla 2.
Al utilizar el modelo de Rasch con el programa
-
rrelación que se obtuvo entre la estimación de ha-
Figura 1. Modelo de Ecuaciones Estructurales para precisión metacognitiva
δ
1
δ₂
δ₃
δ₄
δ₅
δ₆
δ₇
δ₈ δ₉ δ₁₀
Y₁
Y₂
Y₃
Y₄
Y₅Y₆ Y₇ Y₈
Autoeficacia
Habilidad
Matemática
Precisión
Prospectiva
Dificultad
del ítem
X₁
Y₉
Y₁₀
ε₁
ε₂
X₂
X₃
ζ₁
ζ₂
Actualidades en Psicología, 40(140), 2026.
73
INICIO MÉTODO DISCUSIÓN REFERENCIAS
bilidad para los sujetos de la muestra con la escala
actual y la que se alcanzaría con otra prueba extraída
del mismo universo de ítems. Asimismo, se eviden-
que se extrajo entre los puntajes obtenidos si estos
mismos ítems fueran administrados a una segunda
muestra aleatoria de la misma población. Además,
todos los ítems obtuvieron valores de ajuste (int)
iguales o inferiores a 1.10 (ver Tabla 3), lo que los co-
loca por debajo de los valores INFIT superiores a 1.3,
que indican falta de ajuste en muestras de menos de
500 (Zamora-Araya et al., 2018).
Se realizó un análisis de varianza para la com-
paración de las medias de precisión prospectiva y
retrospectiva. Se evidenció que el promedio para
la precisión prospectiva (M = 2.0571, DE = .32488)
t [494] = -13.549, p
< .001, n²p = .315) al promedio de precisión retros-
pectiva (M = 2.2096, DE = .34166), obteniéndose
evidencias a favor de la hipótesis 3, que plantea que
Escala Número
de ítems CFI IFI RMSEA
Conocimientos matemáticos 9 .7 .94 .95 .05 p < .001
aprendizaje 8 .86 .95 .95 .09 p < .001
Juicios de desempeño
prospectivos 9 .85 .99 .97 .03 p = .001
Juicios de desempeño
retrospectivos 9 .79 .98 .98 .03 p < .001
* p < .001
Tabla 2.
unidimensionalidad de las mismas
Tema
1.77 1 Ecuación exponencial
0.83 0.88 Problema de proporciones
0.55 0.96 Problema de fracciones con ecuación
0.36 0.96 Problema de fracciones
0.07 1.10 Ecuación cuadrática
-0.12 0.97 Despeje de variables
-0.46 1.11
-0.96 1.04 Factorización por agrupación
-2.05 1 Ecuación lineal
Tabla 3. Características psicométricas de los ítems matemáticos de acuerdo con el modelo de Rasch
Actualidades en Psicología, 40(140), 2026.
74
INICIO MÉTODO DISCUSIÓN REFERENCIAS
la precisión metacognitiva es mayor en los juicios
de desempeño retrospectivos.
Por otra parte, para la evaluación de la precisión
metacognitiva, se utilizó un Modelo de Ecuaciones
Estructurales, que establece relaciones de causali-
dad entre variables dependientes e independientes
al diferenciar entre variables observadas y laten-
ecuaciones estructurales, las variables observables
se representan con cuadros y las variables latentes
relaciones de causalidad (Cea, 2002).
A partir del modelo teórico propuesto para pre-
cisión, se valoró de manera independiente un mo-
delo para la precisión prospectiva y otro para la
retrospectiva, utilizando las mismas variables inde-
pendientes. En relación con la precisión prospectiva
se evaluaron tres modelos: en el primero se incluyó
-
toconcepto matemático; y en el tercero, la variable
autopercepción matemática, que incluyó como in-
dicadores observables los puntajes de las escalas
este último el que presentó el mejor nivel de ajuste,
con valores de CFI de .98, IFI de .98 y RMSEA .057
p < .001).
Finalmente, se evaluó el modelo anterior, pero
añadiendo la variable rendimiento académico,
la asociación entre el desempeño universitario y la
precisión metacognitiva. Con este modelo, se ob-
tuvieron valores de CFI e IFI de .96, un RMSEA de
.064 (IC .58 - .70) y una Chi cuadrada de 353.658 (21
gl, p < .01). Además, debido a que las variables in-
cumplieron el supuesto de normalidad, se utilizó un
método robusto para la estimación del modelo con
el procedimiento de máxima verosimilitud “case
obtuvieron indicadores de ajuste aceptables (CFI e
IFI de .96, un RMSEA de .069 y una Chi cuadrada de
401.56 con 21 gl, p < .01). Asimismo, la asociación
entre variables evidenció resultados equivalentes al
modelo estimado sin procedimiento robusto.
En relación con la interpretación del modelo, la
-
topercepción matemática se asociaron en forma sig-
se interpreta como una disminución promedio de
.58 puntos en la medida de precisión por ítem cada
se asociaron en forma positiva con la precisión pros-
pectiva obtenida por ítem. Asimismo, la habilidad se
vinculó también con la autopercepción matemática
Por otra parte, de las tres variables vincula-
(-.043), únicamente las dos primeras mostraron va-
lor predictivo con el rendimiento académico (r² =
33%), razón por la cual se eliminó del modelo la
asociación entre precisión y rendimiento académi-
Figura 2.
Al replicar el modelo para evaluar la precisión re-
trospectiva, los resultados fueron similares a los obte-
nidos previamente, pero disminuyó su valor predictivo
en términos generales. Al igual que en el caso ante-
rior, se obtuvieron indicadores de ajuste favorables
cargas factoriales superiores a .3 (ver Figura 3).
como variables independientes la autopercepción
-
sión retrospectiva fue del 51%. Asimismo, la habili-
-
portamiento de la autopercepción matemática. A
la varianza del rendimiento académico.
ofrecen evidencia a favor de las hipótesis propues-
Actualidades en Psicología, 40(140), 2026.
75
INICIO MÉTODO DISCUSIÓN REFERENCIAS
Figura 2.
.92
.511
.623
.476
.392
.859
.782
.879
.89
.455
-.584
.403
.348
.287
.326
.555
.818
.717
.549
.888
.703
.697
.836
.459
.712
X
2
X
3
Y
1
Y
2
DI
X
1
HM
ξ
1
AM
η
1
PP
η
2
RA
η
3
Y
3
Y
4
Y
5
Y
6
Nota. 1 = Habilidad Matemática (HM); X1 = (DI): Dificultad del ítem; X2 = Prueba de aptitud (área matemática); X3 =
1 = Autopercepción matemática (AM); Y1 = Autoeficacia; Y2 = Autoconcepto ma-
2 = Precisión prospectiva (PP); Y3 = Juicio de desempeño prospectivo; Y43
= Rendimiento Académico; Y5 = Nota del curso de matemática; Y6 = Promedio ponderado general.
Figura 3.
X₂
X₃
Y₁
Y₂
Y₃
Y₄
Y₅
Y₆
DI
X₁
HM
ξ₁
AM
η₁
PR
η₂
RA
η₃
.492
.922
.629
.469
.386
.871
.446
.777
.883
.219
-.503
.371
.333
.333
.699
.824
.845
.632
.885
.706
.534
.775
.466
.708
.895
Nota. 1 = Habilidad Matemática (HM); X1 = (DI): Dificultad del ítem; X2 = Prueba de aptitud (área matemática); X3 =
1 = Autopercepción matemática (AM); Y1 = Autoeficacia; Y2 = Autoconcepto ma-
2 = Precisión retrospectiva (PP); Y3 = Juicio de desempeño retrospectivo; Y4 = Puntaje ítems matemáticos;
3 = Rendimiento Académico (RA); Y5 = Nota del curso de matemática; Y6 = Promedio ponderado general.
Actualidades en Psicología, 40(140), 2026.
76
INICIO MÉTODO DISCUSIÓN REFERENCIAS
tas, en el sentido de que la habilidad matemática
la precisión metacognitiva de los juicios de desem-
peño (H1) y que existe una relación inversa entre
desempeño (H2). No obstante, no se encontró aso-
ciación entre la precisión metacognitiva y el rendi-
miento académico (H4).
Discusión
El modelo estructural aportó evidencia en favor
de la hipótesis del efecto positivo de la habilidad
la precisión metacognitiva de los juicios de desem-
peño, señalado tanto en modelos clásicos de au-
torregulación para el aprendizaje (Kitsantas et al.,
2008; Pintrich et al., 1993; Zimmerman, 2002) como
en los modelos modernos que subrayan una es-
emociones y el rendimiento académico (Kitsantas
et al., 2008; ; Suárez et al.,
2023; Chacón-Camacho et al., 2025).
del ítem resultó la variable predictora más relevante
sobre la precisión de los juicios de desempeño, con
efecto negativo sobre la precisión metacognitiva.
En este sentido, Frumos & Grecu (2019) señalaron
que la precisión absoluta, global y local de los jui-
del ítem y el tipo de pregunta (selección múltiple o
preguntas abiertas), y que la precisión disminuía a
-
y las competencias previas de la persona (habilida-
des y conocimientos) como características relativa-
mente más estables y propias del nivel persona, de
nivel tarea por persona, respaldan la consistencia del
y Schwartz (2024).
En relación con la precisión de los juicios de des-
empeño, se encontró menor precisión en los juicios
prospectivos. Del mismo modo en que se demostró
en los estudios de , 2006) y
al. (2016), estas diferencias podrían asociarse también
con la interacción de los niveles persona y tarea por
-
experiencia. En tanto, en los juicios retrospectivos, se
dispone de nueva información sobre las característi-
cas de la tarea durante su fase de resolución (Sied-
) y sobre la implementación de es-
trategias de monitoreo de progreso y evaluación del
resultado, por lo que su precisión es mayor.
En relación con la predicción del rendimiento
académico, se halló que tanto la habilidad como
los conocimientos matemáticos mostraron un efec-
asociación positiva con el rendimiento académico,
respaldando otros hallazgos que señalaron el valor
de la persistencia en el logro de las metas académi-
cas y en la probabilidad de graduarse (Dutta et al.,
2015; González-Franco et al., 2022; Jaramillo et al.,
2023; Rodríguez et al., 2015; Schoenfeld et al., 2017;
, 2012; Velasco et al., 2020).
Sin embargo, la variable precisión metacognitiva
no mostró asociación con el rendimiento académi-
co, lo que concuerda con los resultados obtenidos
por Kitsantas et al. (2008). Una de las posibles expli-
caciones de este comportamiento podría asociarse
con la forma en la que se estimó la precisión, ya
que, cuando el juicio de desempeño correspondió
con el resultado objetivo de cada ítem, la calibración
fue perfecta y no establecía diferencia entre quie-
nes tuvieron precisión al estimar fracaso o acierto
en el ejercicio. Dicho de otra forma, una persona
que falló todos los ítems y acertó su estimación de
fracaso mostró el mismo grado de precisión que
una persona que realizó correctamente todos los
ejercicios y estimó un desempeño perfecto.
Por otro lado, Xie et al. (2024) realizó un metaa-
nálisis en el que se encontró una correlación positiva
Actualidades en Psicología, 40(140), 2026.
77
INICIO MÉTODO DISCUSIÓN REFERENCIAS
académico en matemáticas. Sin embargo, las co-
rrelaciones entre metacognición y logro académico
fueron menores en población universitaria frente a
-
denciar que, si bien la precisión metacognitiva es
sobre los procesos de aprendizaje y, por lo tanto,
puede considerarse también relevante en los pro-
cesos de control como fuente de retroalimentación
para garantizar el éxito académico.
En este sentido, Morphew (2021) y Zapata et al.
(2024) señalaron la presencia de calibraciones bajas
entre los juicios metacognitivos y desempeño real
en estudiantes de bajo rendimiento, lo que mos-
pobres progresos en la calibración a lo largo del se-
mestre. Además, Händel et al. (2020) y Olaya Torres
et al. (2023)
vincularse con menor dedicación al estudio y, con-
secuentemente, menor rendimiento académico. En
este sentido, se hace necesario fortalecer el trabajo
las estrategias metacognitivas y el éxito académico
() .
Referencias
& Maldonado Reynoso, N. P. (2023). El
autoconcepto académico en matemáticas:
ruta hacia una categorización a través del
método de análisis conceptual. RIDE. Revista
Iberoamericana para la Investigación y el
Desarrollo Educativo, 13(26), e460. https://doi.
org/10.23913/ride.v13i26.1435
Beleño, A. J. (2022). Competencias matemáticas
para el desarrollo de habilidades cognitivas
en estudiantes universitarios. Revista
Latinoamericana de Difusión Científica, 4(7),
141-167. https://doi.org/10.38186/difcie.47.10
control, self-regulation, and other more
mysterious mechanisms. In F. E. Weinert &
R. H. Kluwe (Eds.), Metacognition, motivation,
and understanding
Erlbaum Associates.
Chacón-Camacho, D., Smith-Castro, V., Alfaro-
Barquero, A., & Molina-Delgado, M. (2025).
Simulación computacional de predicciones
de rendimiento en el contexto de pruebas
estandarizadas. Revista Colombiana
de Educación, (94), e19808. https://doi.
org/10.17227/rce.num94-19808
Chacón-Vargas, É., & Roldán-Villalobos, G. (2021).
Factores que inciden sobre el rendimiento
académico de los estudiantes de primer
ingreso del curso Matemática General
del Instituto Tecnológico de Costa Rica.
Uniciencia, 35(1), 265-283. http://dx.doi.
org/10.15359/ru.35-1.16
La retroalimentación y juicios de aprendizaje
en el desempeño académico. Universidad del
Pacífico. http://uprepositorio.upacifico.edu.
ec/handle/123456789/948
Cea, A. (2002). Análisis multivariable: Teoría y
práctica en la investigación social. Síntesis.
Corrales, E. (2015). Ocurrencia del juicio metacognitivo
en la resolución de problemas por insight [Tesis
de maestría inédita]. Universidad de Costa Rica.
Correa-Rojas, J. (2021). Coeficiente de correlación
intraclase: Aplicaciones para estimar la
estabilidad temporal de un instrumento de
medida. Ciencias Psicológicas, 15(2), e2318.
https://doi.org/10.22235/cp.v15i2.2318
its relations with cognitive and metacognitive
factors regarding performance in specific
Psychology: The Journal
of the Hellenic Psychological Society, 7(3), 354-
368. https://doi.org/10.12681/psy_hps.24266
Actualidades en Psicología, 40(140), 2026.
78
INICIO MÉTODO DISCUSIÓN REFERENCIAS
Dutta, A., Kang, H. J., Kaya, C., Benton, S. F., Sharp,
S. E., Chan, F., & Kundu, M. (2015). Social
cognitive Career Theory predictors of STEM
career interests and goal persistence in minority
college students with disabilities: A path analysis.
Journal of Vocational Rehabilitation, 43(2), 159-
167. https://doi.org/10.3233/JVR-150765
M. Sorentino (Eds.), Trends and prospects in
motivation research (pp. 297-323). Springer.
can metacognitive experiences tell us about
the learning process? Educational Research
Review, 1(1), 3-14. https://doi.org/10.1016/j.
edurev.2005.11.001
facets and levels of functioning in relation to
self-regulation and co-regulation. European
Psychologist, 14(4), 277-287. https://doi.
org/10.1027/1016-9040.14.4.277
experiences, self-concept, and self-
regulation. Psychologia: An International
Journal of Psychology in the Orient, 45(4),
222-236. https://psycnet.apa.org/doi/10.2117/
psysoc.2002.222
strategies in Mathematics. European Journal
of Psychological Assessment, 28(3), 227-239.
https://doi.org/10.1027/1015-5759/a000145
metacognitive and affective model of self-
regulated learning: Origins, development,
and future directions. Educational Psychology
Review, 36, Article 61. https://doi.org/10.1007/
s10648-024-09896-9
Flavell, J. H. (1979). Metacognition and cognitive
monitoring: A new area of cognitive-
developmental inquiry. American Psychologist,
34(10), 906-911. https://doi.org/10.1037/0003-
066X.34.10.906
Frumos, F. V., & Grecu, S. P. (2019). Inaccuracy and
overconfidence in metacognitive monitoring
of university students. Revista de cercetare i
intervenie sociala 66, 298-314. https://doi.
org/10.33788/rcis.66.16
Casas, E., & Moreno-González, E. (2021).
Motivación académica y autoeficacia percibida
y su relación con el rendimiento académico
en los estudiantes universitarios de la
enseñanza a distancia. RELIEVE: Investigación
y Evaluación Educativa, 27(2), 1-15. https://doi.
org/10.30827/relieve.v27i2.21909
Efecto de las fuentes de autoeficacia en
matemáticas sobre la autovaloración en
matemáticas. Psicumex, 12(1), 1-24. https://
doi.org/10.36793/psicumex.v12i1.484
Händel, M., de Bruin, A. B., & Dresel, M. (2020).
Individual differences in local and global
metacognitive judgments. Metacognition and
Learning, 15, 51-75. https://doi.org/10.1007/
s11409-020-09220-0
Instituto Nacional de Evaluación Educativa. (2019).
PISA 2018: Informe español. Ministerio de
Educación y Formación Profesional.
Palomo, A. P. T. (2023). Ansiedad matemática
y desempeño académico en estudiantes
universitarios. Revista Científica Arbitrada
Multidisciplinaria PENTACIENCIAS,
5(5), 131-143. https://doi.org/10.59169/
pentaciencias.v5i5.726
Kitsantas, A., Huie, A., & Winsler, A. (2008). Self-
regulation and ability predictors of academic
success during college: a predictive Validity
Actualidades en Psicología, 40(140), 2026.
79
INICIO MÉTODO DISCUSIÓN REFERENCIAS
Study. Journal of Advanced Academics, 20(1),
42-68. https://doi.org/10.4219/jaa-2008-867
MacCallum, R. C., Browne, M. W., & Sugawara, H. M.
(1996). Power analysis and determination of
sample size for covariance structure modeling.
Psychological Methods, 1(2), 130-149. https://
doi.org/10.1037/1082-989X.1.2.130
Martínez, M. R., Hernández M. J., & Hernández, M.
V. (2006). Psicometría. Alianza Editorial.
Puente-Ferreras, A., & Tamayo-Alzate, Ó.
un campo emergente de investigación. Una
revisión sistemática (2016-2020). Revista
Latinoamericana de Estudios Educativos
(Colombia), 17(1), 188-223. https://doi.
org/10.17151/rlee.2021.17.1.10
European Journal
of Psychological Assessment, 25(2), 115-122.
https://doi.org/10.1027/1015-5759.25.2.115
Moreira-Mora, T. E. (2021). Propiedades Psicométricas
de una prueba de admisión universitaria.
Revista Evaluar, 21(1), 73-93. https://doi.
org/10.35670/1667-4545.v21.n1.32833
Morphew, J. W. (2021). Changes in metacognitive
monitoring accuracy in an introductory
physics course. Metacognition and Learning,
16, 89-111. https://doi.org/10.1007/s11409-
020-09239-3
juicios metacognitivos como una tendencia
emergente de investigación. Una revisión
conceptual. Ánfora, 30(54), 254-281. https://
doi.org/10.30854/anf.v30.n54.2023.910
Pintrich, P. R. (1991). A manual for the use of
the Motivated Strategies for Learning
Questionnaire (MSLQ). Office of Educational
Research and Improvement.
Pintrich, P., Smith, D., García, T., & McKeachie, W.
(1993). Reliability and predictive validity
Educational and
Psychological Measurement, 53(3), 801-813.
https://doi.org/10.1177/0013164493053003024
Programa Estado de la Nación. (2023). Noveno
estado de la educación 2023. CONARE. https://
estadonacion.or.cr/?informes=informe-
estado-de-la-educacion-2023
Programa Estado de la Nación. (2025). Décimo
estado de la educación 2025. CONARE.
https://estadonacion.or.cr/wp-content/
uploads/2025/08/PEN_Decimo_Informe_
estado_educacion_IEE_2025.pdf
Ramírez, G., & Barquero, J. A. (2011). Análisis de las
pruebas de diagnóstico en matemática del
Instituto Tecnológico de Costa Rica. Revista
Digital: Matemática, Educación e Internet, 11(2),
1-10. https://doi.org/10.18845/rdmei.v11i2.1957
Rodríguez, M. C., Inda, M. M., & Peña, J. V. (2015).
Validación de la teoría cognitivo social de
desarrollo de la carrera con una muestra
de estudiantes de ingeniería. Educación
XXI, 18(2), 257-276. https://doi.org/10.5944/
educxx1.14604
Ruiz Ortega, F. J., & Álvarez Ríos, J. N. (2021). Juicios
metacognitivos en la educación médica.
Revista Médica de Risaralda, 27(1), 69-74.
https://doi.org/10.22517/25395203.24609
Schoenfeld, J., Segal, G., & Borgia, D. (2017). Social
cognitive career theory and the goal of
becoming a certified public accountant.
Accounting Education, 26(2), 109-126. https://
doi.org/10.1080/09639284.2016.1274909
Schraw, G. (1998). Promoting general metacognitive
awareness. Instructional Science, 26, 113-125.
https://doi.org/10.1023/A:1003044231033
motivation. Educational Psychologist,
Actualidades en Psicología, 40(140), 2026.
80
INICIO MÉTODO DISCUSIÓN REFERENCIAS
26(3-4), 207-231. https://doi.org/10.1207/
s15326985ep2603&4_2
Learning Theories: An
Educational Perspective (6ª ed.). Pearson.
But I was so sure! Metacognitive judgments
are less accurate given prospectively than
retrospectively. Frontiers in Psychology,
7, Article 218. https://doi.org/10.3389/
fpsyg.2016.00218
Suárez, J. G., Martínez, M. G., & Parrilla, F. J. M.
(2023). Estudio descriptivo de la ansiedad
matemática en estudiantes mexicanos
de ingeniería. IE Revista de Investigación
Educativa de la REDIECH, 14, e1619. https://
doi.org/10.33010/ie_rie_rediech.v14i0.1619
Velasco Zárate, K., & Meza Cano, J. M. (2020).
Autoeficacia para el aprendizaje de la escritura
académica en inglés como segunda lengua,
Íkala Revista
de Lenguaje y Cultura, 25(2), 289-305. https://
Wigfiel, A., Eccles, J. S., & Pintrich P. R. (1996).
Development between the ages of 11 and
25. In D. C. Berliner & R. C. Calfee (Eds.),
Handbook of Educational Psychology (148-
185). Macmillan.
Winne, P. H., & Nesbit, J. C. (2010). The psychology
of academic achievement. Annual Review
of Psychology, 61, 653-678. https://doi.
org/10.1146/annurev.psych.093008.100348
Xie, Y., Zeng, F., & Yang, Y. (2024). A meta-analysis of
the relationship between metacognition and
academic achievement in mathematics: From
preschool to university. Acta Psychologica,
249, Article 104486. https://doi.org/10.1016/j.
actpsy.2024.104486
Zamora-Araya, J. A., Smith-Castro, V., Montero-
Rojas, E., & Moreira-Mora, T. E. (2018).
Advantages of the Rasch model for analysis
and interpretation of attitudes: The case of the
benevolent sexism subscale. Revista Evaluar,
18(3), 1-13. https://doi.org/10.35670/1667-
4545.v18.n3.22201
Zapata, A., Vesga, G. J., Puente, A., & Alvarado, J. M.
(2024). Juicios metacognitivos en los procesos
de aprendizaje en la educación superior:
una revisión sistemática 2018-2023. Revista
Latinoamericana de Psicología, 56, 147-155.
https://doi.org/10.14349/rlp.2024.v56.15
Zimmerman, B. (2002). Attaining self-regulation: A
P. R. Pintrich & M. Zeidner (Eds.), Handbook
of self-regulation (pp. 13-39). Academic Press.
