Popularidad y relaciones entre iguales en el aula: un estudio prospectivo

En el presente trabajo se analizan múltiples tipos de relaciones entre adolescentes, utilizando como unidad de análisis las interacciones que se producen en el aula y evaluando los efectos que estas relaciones producen en el nivel de popularidad de los actores. A partir de este marco de referencia se proponen tres objetivos específicos:

Objetivo 1 . Caracterizar los procesos relacionales, evaluando cuatro tipos diferentes de relaciones que tienen lugar en la clase: positivas, neutras, negativas y popularidad. Empleamos como variables de análisis los indicadores de cohesión que nos proporciona el ARS para conocer las propiedades estructurales de las redes completas, siendo la unidad de análisis el salón de clase. Mediante este primer objetivo se pretende establecer una tipología de escenarios de interacción en el aula y caracterizarlos en base a las medidas de estructura y composición de las distintas redes evaluadas. Dentro de este primer objetivo también se persigue conocer el impacto que determinadas características de las clases (p. ej., el número de alumnos) ejercen sobre la cohesión de las redes evaluadas.

Objetivo 2 . Observar si existen conexiones entre el nivel de popularidad y estar inmerso en relaciones positivas, neutras y negativas. La hipótesis de partida que emplearemos, siguiendo los hallazgos de Labianca y Brass (2006) , es que las relaciones negativas establecerán una mayor asociación con la red de popularidad que las relaciones positivas y neutras.

Objetivo 3. C onocer la contribución individual de las relaciones positivas, neutras y negativas sobre el grado de popularidad de los participantes. Este objetivo cumple la función de ofrecer información relativa al posible proceso de dependencia que puede darse cuando se analizan múltiples relaciones de manera conjunta.

Cada objetivo formulado requiere seguir un procedimiento de análisis específico. Para llevar a término el objetivo inicial, en primer lugar se calcularon diferentes medidas de cohesión para las cuatro redes. Los indicadores seleccionados han sido utilizados previamente para evaluar relaciones entre adolescentes en contextos escolares (e.g., Brechwald y Prinstein, 2011; Huitsing et al., 2012 ). Empleamos el programa Ucinet 6.3 ( Borgatti et al., 2002 ) para calcular las medidas de cohesión y posteriormente trasladamos los indicadores a SPSS para la ejecución de análisis posteriores. En la tabla 1 describimos los indicadores empleados en el primer objetivo específico. Una vez calculados los parámetros de cohesión, efectuamos un análisis de conglomerados a través del procedimiento de las K-medias ( Kaufman y Rousseeuw, 2009 ), al objeto de identificar diferentes perfiles de las aulas, que estuviesen determinados en función de las medidas de estructura y composición de las redes analizadas.

La consecución del segundo objetivo exige un procedimiento específico. Para evaluar la existencia de asociaciones entre las matrices positivas, neutras y negativas y la matriz de la red de popularidad, utilizamos el Procedimiento de Asignación Cuadrática [Quadratic Assignment Procedure, QAP]. Esta técnica permite comparar matrices de adyacencia utilizando un test de permutaciones no paramétrico entre las diadas que componen la red ( Krackhardt, 1988). La figura 1 ilustra el análisis de las redes tomando como unidad básica la diada. La imagen trata de representar de modo visual cómo cada diada que forma parte de un mismo grupo puede estar conectada mediante diferentes tipos de lazos que son susceptibles de ser evaluados de forma independiente.

Figura 1

Análisis de redes tomando como unidad básica la diada.

El procedimiento QAP se utiliza en el ARS como alternativa a los procedimientos estadísticos tradicionales, debido en parte a la imposibilidad de garantizar la independencia de las observaciones en datos relacionales. El cálculo de correlaciones diádicas también se llevó a cabo con el programa Ucinet 6.3. En primer lugar, la función de correlación QAP computa el coeficiente de correlación de Pearson ( r ) entre las celdas correspondientes de las dos matrices. En un segundo paso permuta filas y columnas de una de las matrices de forma sincrónica y al azar, calculando nuevamente la correlación. La permutación se lleva a cabo cientos de veces para computar la proporción de ocasiones en las que una correlación al azar es mayor o igual a la correlación observada en el primer paso, de tal modo que una proporción baja (menor que .05) sugiere una relación fuerte entre las matrices que es poco probable que se deba al azar ( Borgatti et al., 2002; Krackhardt y Stern, 1988 ). Para efectuar los análisis dicotomizamos previamente las redes de popularidad como paso necesario antes de calcular la densidad y la reciprocidad, puesto que de no hacerlo podríamos obtener valores en ambos indicadores superiores a 1 (equivalente al 100%).

Para calcular la correlación QAP se introdujo como número máximo de permutaciones 2500 y como número de iniciación aleatorio 1000. Tomamos esta decisión para evitar posibles desviaciones derivadas del procedimiento de extracción ( Krackhardt, 1988 ). Se empleó la matriz de la red de popularidad (que es introducida como la primera matriz, denominada observada ) y de los distintos tipos de relaciones (positivas, neutras y negativas). A este respecto Kwon y Lease (2014) señalan que en términos de la magnitud de la correlación QAP los valores correspondientes al valor r de Pearson que oscilan entre .1 y .3 muestran una correlación pequeña, los valores comprendidos entre .3 y .5 indican una correlación moderada, mientras que los valores por encima de .5 reflejan una correlación elevada.

Para el tercer objetivo empleamos nuevamente el procedimiento QAP, pero en esta ocasión efectuamos regresiones múltiples (MRQAP). Esta técnica consiste en incluir varias matrices que actúan como variables independientes de forma simultánea ( Krackhardt, 1993 ). Empleamos la opción conocida como Double Semipartialling (DSP), porque permite un mayor ajuste del modelo de regresión en análisis de interdependencia a nivel diádico ( Dekker, Krackhardt y Snijders, 2007 ). Esta rutina de análisis es adecuada cuando existen elevados niveles de colinealidad entre las matrices analizadas ( Dekker et al., 2007 ). Empleamos esta técnica porque los análisis de colinealidad entre el principal indicador de cohesión (densidad) de las distintas redes mostró valores moderadamente elevados en el factor de inflación de la varianza (FIV) y en el grado de tolerancia (T). Después de calcular los coeficientes de los modelos de regresión, trasladamos los datos a SPSS para obtener los estadísticos descriptivos ( M y DT). En la figura 2 se describen los objetivos de la investigación y la metodología empleada para cumplir cada uno de ellos.

Figura 2

Objetivos de la investigación y metodología.

Una vez descritas las propiedades de los dos subgrupos identificados, podemos señalar que cada clúster representa un perfil diferenciado en base a los parámetros de estructura y composición. Hemos denominado al primer perfil “simétrico neutral” mientras que el segundo perfil ha sido nombrado “asimétrico positivo”. El perfil simétrico neutral refleja una composición equitativa en la proporción de mujeres y varones que componen el aula, e indica un bajo nivel de homofilia en base al sexo (-.11) y a la edad (-.08) en la red de popularidad. Al mismo tiempo, exhibe un entorno relacional neutro, en el que se adivina un nivel moderado de cohesión en la red negativa 5 5

Si bien un 13% puede parecer un valor moderado en la densidad de relaciones negativas, estudios previos (e.g., Kossinets y Watts, 2006 ) señalan que en las redes negativas los parámetros de cohesión suelen presentar valores muy por debajo de los que muestran las redes neutras y positivas.

Para conocer las posibles asociaciones que las redes positivas, neutras y negativas mantienen con la red de popularidad, llevamos a cabo múltiples correlaciones a nivel diádico siguiendo el procedimiento QAP ( Krackhardt y Stern, 1988 ). Estos análisis fueron efectuados en las 20 clases evaluadas. Posteriormente se trasladaron los resultados a SPSS para calcular los estadísticos descriptivos ( M y DT). En la tabla 5 6

En todos los casos la primera matriz que aparece en la columna inicial de la tabla 5 es la observada mientras que la segunda es la matriz de estimación.

El último objetivo se propuso para conocer en qué medida las relaciones positivas, neutras y negativas, que actúan como independientes, explican de manera conjunta el nivel de popularidad (que cumple la función de dependiente). Llevamos a cabo un modelo de regresión diádica múltiple (MRQAP) entre las diferentes redes de las 20 clases. Posteriormente trasladamos los resultados a SPSS para calcular la media y la desviación tipo de los coeficientes de los 20 modelos calculados. La tabla 6 recoge la media y la desviación tipo del coeficiente ? estandarizado de las redes positivas, neutras y negativas y la media y desviación tipo de los resúmenes de los 20 modelos de regresión efectuados.

Podemos apreciar que la matriz de relaciones positivas es la que produce un mayor efecto sobre el nivel popularidad, mostrando un efecto moderadamente elevado en promedio (? = .367, p = .024). Las matrices neutras presentan menos capacidad en promedio que las positivas (? = .155, p = .069) para explicar la varianza de la red de popularidad, mientras que las matrices negativas apenas muestran una contribución simbólica (? = .030, p = .118) para explicar la varianza de la popularidad.

A lo largo del manuscrito hemos presentado la importancia del grupo de pares durante la adolescencia, prestando especial atención a las relaciones que tienen lugar en la escuela como contexto socializador. Uno de los propósitos de este artículo es identificar una tipología de contextos de interacción en el salón de clase. Para ello utilizamos como variables de agrupación indicadores estructurales (p. ej., densidad) y a continuación examinamos la asociación entre el grado de popularidad y el establecimiento de relaciones positivas, neutras y negativas. Se emplearon datos de carácter socio-céntrico, que fueron proporcionados por 660 estudiantes distribuidos en 20 clases de dos centros educativos.

Hemos utilizado el ARS a nivel socio-céntrico, seleccionando como unidad de análisis la clase. Las técnicas socio-céntricas ofrecen una imagen más concisa de la estructura de relaciones en el aula, lo que hace posible identificar a los actores más populares y además permite conocer la configuración estructural de la clase en función del tipo particular de relación explorada.

En segundo lugar se han evaluado de manera simultánea diferentes tipos de relaciones (positivas, neutras y negativas). Las investigaciones que examinan el estatus y los procesos de influencia social en adolescentes analizan el impacto del estatus sobre comportamientos desviados ( Allen et al., 2005 ) o bien sobre comportamientos prosociales ( Ryan, 2000 ), siendo poco habitual encontrar estudios que combinen ambos enfoques ( Ellis y Zarbatany, 2007).

La tercera contribución es establecer las asociaciones que existen entre los distintos tipos de relaciones (positivas, neutras y negativas) y el modo en que estas influyen sobre la popularidad dentro del aula. Utilizamos el procedimiento QAP para testar las correlaciones (objetivo 2) y las relaciones de dependencia (objetivo 3), entre la red de popularidad y las redes positivas, neutras y negativas. El único antecedente encontrado en el que se aplica esta técnica, es la reciente propuesta de Kwon y Lease (2014) , en la que los autores emplean este procedimiento para identificar asociaciones entre los estudiantes del mismo curso. Nuestro diseño difiere del anterior en que nosotros examinamos las relaciones a nivel de clase, al considerar que las dinámicas relacionales y los procesos de influencia social alcanzan su máxima expresión en el aula, debido a que las relaciones se intensifican y existe una elevada proximidad física.

A través del análisis de clúster identificamos dos perfiles diferenciados que hemos denominado “simétrico neutral” y “asimétrico positivo”. El primer perfil describe clases en las que hay: a) equilibrio en la composición entre hombres y mujeres, b) bajos niveles de homofilia en función del sexo, c) predominancia de relaciones positivas y neutras de cohesión moderada y d) cierta densidad relacional negativa, lo que puede ser el síntoma de un clima conflictivo en el aula. El segundo perfil representa a clases que se caracterizan por mostrar: a) una composición desproporcionada entre hombres y mujeres, b) un alto nivel de heterofilia basada en el sexo, c) un nivel elevado de cohesión en las relaciones positivas y d) un bajo grado de densidad en las relaciones neutras y negativas. Esta configuración parece describir un entorno relacional saludable.

Los análisis diseñados ad hoc para conocer el impacto del tamaño de la clase y del índice de paridad sobre el grado de cohesión de las relaciones positivas, neutras y negativas muestran que ambos factores (tamaño y distribución en función del sexo) son elementos que contribuyen a explicar los procesos relacionales en el aula. Los hallazgos apuntan a que el número de alumnos por clase se asocia en sentido negativo con la densidad de relaciones positivas (? = -.396) e inversamente con el índice de paridad (? = .371). Estos resultados parecen indicar que en las clases de mayor tamaño, y en las que hay una composición equitativa de chicos y chicas, nos encontramos con menor densidad en las redes positivas. Por otro lado la asociación negativa entre el tamaño de clase y la densidad de relaciones positivas puede explicarse parcialmente debido a que a mayor número de alumnos se incrementa el número de subgrupos que componen el aula. Cuantas más agrupaciones cohabiten en el aula, es probable que entren en contraposición los intereses de cada una, posibilitando un aumento de los conflictos tanto individuales como intergrupales.

Por otro lado encontramos una potente asociación entre el índice de paridad y la densidad de relaciones neutras (? = -.483). Este dato sugiere que cuanto más equilibrada sea la composición entre mujeres y varones en el aula existe mayor cohesión en relaciones carentes de contenido o indiferentes. Esto quizás se deba a que a esas edades hay menor coincidencia en los temas de discusión y en las preocupaciones que suelen predominar en ambos sexos ( Giordano, 2003 ). También observamos que el tamaño de la clase mantiene una potente conexión con la densidad de vínculos negativos (? = .554). Este resultado sugiere que los incrementos en el número de alumnos por clase hacen que concurran las circunstancias para que se den relaciones negativas entre los miembros del grupo. Es posible que este hecho se relacione con las dificultades que pueden encontrar los docentes para mantener un clima orientado a la tarea en clases excesivamente pobladas.

Estos resultados avalan la tendencia actual de apostar por clases cada vez más reducidas que faciliten el proceso de enseñanza-aprendizaje. Los análisis aquí presentados parecen indicar que las dinámicas relacionales que se producen en clases pequeñas, en las que hay un alto grado de homogeneidad en función del sexo, describen contextos en los que predominan las relaciones positivas. Esta información puede ser tenida en consideración por gestores y diseñadores de políticas públicas en materia educativa, con el objetivo de generar ambientes positivos que faciliten el desarrollo integral del alumnado.

Los dos siguientes objetivos examinaban la relación entre la red de popularidad y las redes positivas, neutras y negativas. Para ello utilizamos correlaciones y regresiones QAP, que permiten conocer el nivel de asociación entre las redes. Siguiendo las directrices de Labianca y Brass (2006) , propusimos como hipótesis complementaria que las relaciones negativas presentarían un mayor nivel de asociación y dependencia en comparación con las relaciones positivas y neutras. Se identificó una correlación positiva entre la red de popularidad y la red positiva ( r = .256), siendo además la única correlación que presenta valores significativos para la muestra agregada ( p = .024). Estos resultados parecen reflejar que para los jóvenes la popularidad se asocia principalmente al hecho de estar inmerso en relaciones positivas, que por lo general denotan comportamientos prosociales. También observamos una asociación inversa entre el nivel de popularidad y la participación en relaciones negativas ( r = -.176), aunque en este caso las correlaciones no son estadísticamente significativas ( p = .069). Este dato sugiere cierta incompatibilidad entre el hecho de ser popular y estar inmerso en relaciones negativas pero, considerando el nivel de significación estadística, debe ser interpretado con cautela. Sin embargo estos hallazgos no permiten soportar la hipótesis de que las relaciones negativas cuentan con mayor capacidad que las positivas y que las neutras para definir la estructura de la red de popularidad.

Los hallazgos son prometedores en tanto que la literatura muestra que los actores populares tienen mayor capacidad que los rechazados y que los no populares para generar influencia social y actuar como modelos positivos de conducta. Esta contribución puede ayudar a diseñar estrategias de intervención en las que los actores populares actúen como promotores de cambio, por ejemplo colaborando como facilitadores en programas orientados a mejorar la convivencia y el desempeño académico. La incorporación de este tipo de estrategias en el diseño de intervenciones socio-educativas puede incrementar el impacto y la validez ecológica de la intervención ( Carr et al., 2002).

El análisis en profundidad de las dinámicas relacionales que tienen lugar en los contextos educativos exige desarrollar nuevas perspectivas de investigación. La continuidad de esta línea se orientará a proponer estrategias de intervención estructural ( Valente, 2012 ), con el objetivo de introducir modificaciones en la estructura de las redes que se producen en el aula (p. ej., promoviendo la interacción entre ciertos grupos), tendentes a mejorar el clima escolar, a facilitar la integración de los actores aislados y a conducir procesos de influencia social positivos.

Nuestros datos proceden de dos escuelas, por lo que las prácticas educativas y las políticas institucionales podrían estar condicionando las dinámicas relacionales en las clases de ambos centros. Por otro lado, los dos centros evaluados están radicados en entornos suburbanos, donde existe una alta concentración de población. En este sentido, como apuntan Kwon y Lease (2014) , sería necesario incrementar el número de centros participantes y realizar estudios comparativos en centros situados en zonas rurales y metropolitanas, al objeto de observar si las características del contexto en el que se asienta la escuela pueden influir en las relaciones que el alumnado establece en el aula. En segundo lugar, debemos acotar con mayor exactitud el significado que los jóvenes asignan al hecho de ser “popular”. La mayor parte de estudios que analizan el nivel de popularidad basado en el estatus sociométrico no ofrecen una definición previa del concepto, considerando que el significado del término es una noción consensuada entre los adolescentes. Sin embargo algunas propuestas, como las desarrolladas por Lafontana y Cillessen (2002) , muestran que para los jóvenes la popularidad se asocia tanto a comportamientos pro-sociales como disruptivos. Finalmente, nuestros datos son de carácter transversal, por lo que teniendo en consideración la volatilidad que caracteriza a las relaciones afectivas durante la adolescencia ( Brechwald y Prinstein, 2011 ), es necesario desarrollar investigaciones longitudinales para conocer con mayor profundidad la evolución temporal que experimentan los adolescentes tanto en el nivel de popularidad como en los procesos de influencia social que de este fenómeno se derivan.

Adolescence is a critical period in the emotional development process. During this stage of the vital cycle, young people should adapt to new contexts where the influence of the peer group gradually gains strength if we compare it with the capacity to modify the behavior exerted by parents and extended family until this moment ( Ryan, 2000 ). For this reason it is necessary to pay special attention to the adaptation process of child at school, and in particular to the construction of relationships among peers within the classroom. Although it is well known that adolescents are highly influenced by their classmates, less is known about the types of relationships that have greater potential to affect the behavior. From this perspective, it is considered that perceived popularity and sociometric status are key factors to understand the relational patterns among peers ( Cillessen & Rose, 2005).

However, in the academy there is no clear consensus on whether popularity is associated with being immersed in positive, neutral, or negative relationships ( Ellis & Zarbatany, 2007 ). Therefore, it is also unknown whether students relate popularity with prosocial or disruptive behaviors, and how popularity, along with different types of relationships, can be used to establish structural or relational profiles in the classroom. The main objective of this paper is bridging the existing gap, generating specific knowledge that helps us to understand these questions: (a) what are the structural properties which enable us to categorize the classrooms according to the characteristics of the links that connect classmates? (b) how are group features (i.e., group size) influencing positive, neutral, and negative relationships? and (c) what kinds of relationships among peers are associated with being popular? To address theses questions we use Social Network Analysis (SNA) and a set of methods designed to compare multiples relationships – networks – at the same time ( Dekker, Krackhardt, & Snijders, 2007; Krackhardt, 1988 ). For this purpose a cross-sectional study was developed. The research data was provided by 660 students (67% girls, 33% boys), with an average age of 15.5 ( SD = 1.01) who belonged to 20 classrooms from two secondary schools located in a suburban area of Mexico City. We decided to the classroom as a unit of analysis in contrast to previous research (e.g., Kwon & Lease, 2014 ) that d the social networks at the grade level. This decision was taken because students spend most of school time in the classroom, and hence it is likely that the relational processes that we want to assess are most evident at the classroom level, where the relationships are more intense and closer.

We designed a social network instrument to evaluate different types of relationships (i.e., popularity, positive, neutral, and negative) among peers in the classroom. A self-administered socio-centric questionnaire ( Marsden, 2002; Ramos-Vidal, 2015 ) was used to elicit the social networks of the classrooms. The instrument s a matrix in which the rows contained the names of all the classmates, and the columns displayed the four types of relationships evaluated. Students should nominate the classmates with whom they establish each of the relationships mentioned above. Afterwards, the information was introduced in Ucinet 6.3 ( Borgatti, Everett, & Freeman, 2002 ), a software to relational data that serves to calculate social network structural measures. For each of the 20 classrooms we obtained four different networks corresponding to the four kinds of relationships evaluated, giving a total of 80 social networks (adjacency matrices) for all the classrooms involved in the study. To identify relational contexts, we calculate structural properties for each network. The main structural measures evaluated were: density (which reflects the degree of network cohesion), homophily (the tendency of people to maintain connections with other people with whom they have features in common), and reciprocity (that indicates the proportion of ties that are symmetrical). Once the indicators for all the networks were calculated, the next step was to enter the measures in SPSS for further analysis. Cluster analysis was used to categorize the 20 classrooms based on the structural measures. This analysis allows us to identify profiles of classrooms focused on a set of properties determined by the researchers ( Kaufman & Rousseeuw, 2009).

Cluster analysis showed two profiles that we have called Neutral Symmetric and Asymmetric Positive. The first one ( n = 12 classrooms) presented low homophily relative to sex, predominance of positive and neutral relationships, and a significant level of negative links. The second profile ( n = 8 classrooms) presents a heterogeneous distribution according to sex, high homophily and high rates of cohesion in positive relationships (see Table 3 ). These findings suggest that the management practice at school and the distribution of students regarding to sex and age, impact on the classroom climate in terms of the particular kinds of relationships that take place in each profile identified. We also develop multiple regression analyses to know the influence promoted by two features of the classrooms (group size and distribution of classrooms according to sex) on the cohesion of the relationships evaluated. The analyses yielded the following results: (a) group size is negatively related (? = -.396) with the density of positive relationships, while an equal distribution of alumni regarding to sex is positively related (? = .371); (b) group size is positively (? = .322) associated with the cohesion of neutral relationships; (c) finally, group size shows a powerful effect (? = .554) on the cohesion of negative relationships, so that the larger size classes may report more negative ties. These results suggest that the number of students per class, and in a lesser degree, the distribution of students according to sex are influencing on the cohesion of the relationships studied.

To address the second objective of this paper, we use a method which makes it possible to simultaneously two or more networks. The technique known as Quadratic Assignment Procedure (QAP) was used to test the association between networks. In this case, we used first the QAP to compute the correlations between all the relationships evaluated (see Table 5 ). In second place, we develop a multiple regression QAP model (MRQAP) to know the impact of positive, neutral, and negative matrices on the popularity network (see Table 6 ). For the correlation analysis, the algorithm proceeds in two steps. In the first step, it computes Pearson's correlation coefficient ( r ) between corresponding cells of the two matrices. In the second step, it randomly permutes rows and columns (synchronously) of one matrix and recomputes the correlation and other measures. The second step is carried out hundreds of times in order to compute the proportion of times that a random measure is larger than or equal to the observed measure calculated in step 1. A low proportion (< .05) suggests a strong relationship between the matrices that is unlikely to have occurred by chance. For the MRQAP analysis, in the first step the algorithm compute a regression instead a correlation and the second step is the same as for correlation ( Borgatti et al., 2002; Dekker et al., 2007; Krackhardt, 1993; Krackhardt & Stern, 1988 ).

Our findings a positive (r = .256) and significant (p = .024) QAP correlation between popularity and positive networks. The results that for young people popularity is mainly associated with being immersed in positive relations which usually denote prosocial behavior. In contrast, an inverse association between the level of popularity and the participation in negative relationships was observed ( r = -0.176). This data suggests certain incompatibility between being popular and being immersed in negative relationships in the classroom.

The contributions of this paper should help to design intervention strategies in which popular students serve as inducers of positive change within the classroom and in the peer group. For example, taking part in programs designed to improve the academic performance of disadvantage students. Finally, the application of SNA to looking inside the classroom dynamics can be considered a powerful research tool capable of connecting the micro and macro levels, but is essential to complement this information with a detailed knowledge of educational practices and policies implemented by schools.

Esta investigación ha sido financiada parcialmente por la Secretaría de Educación Pública del Gobierno de México, a través de los Fondos PROMEP (Proyecto 13412093).

El autor del artículo declara que no tiene ningún conflicto de intereses.