Diversidad y coherencia : primer acercamiento a un indicador relacional de la producción docente en el campo universitario

Abstract

RESUMEN: ¿Por qué los indicadores de investigación, docencia y extensión se presentan de manera dispersa, si en la teoría aparecen como funciones de la institución universitaria que están fuertemente interrelacionadas entre ellas? Y más importante, ¿se puede desarrollar un indicador fácil de leer, que integre todos los productos docentes en el campo universitario y que contenga una ponderación arrojada por la propia realidad empírica? Para abordar estas cuestiones, este trabajo se separa del enfoque de “retazos” y entra a cuestionarse por las marcas que relacionan los diferentes productos docentes en el campo universitario. Por tanto, es fundamental tomar posiciones integrales, que permitan leer las estrategias productivas de movilidad, como la del enfoque de la investigación formativa, el cual torna la docencia al concepto de habitus científico, proponiendo formar al estudiante en las disposiciones necesarias para la producción de conocimiento científico de base o de vinculación y así multiplicar sus posibilidades de inserción en la competencia del campo científico. Como lo dice Restrepo (2004), citado en Gonzales (2006), este enfoque “esboza el papel que pueda cumplir la investigación en el aprendizaje de los saberes, es decir, los procesos investigativos modelados didácticamente, para llevar a las clases las prácticas históricas de producción del conocimiento científico en sus procesos y no sólo en sus resultados.”(p.105) Pero medir de manera tan integral, implica proponer un indicador relacional que pueda integrar los productos docentes en los subcampos del campo universitario (Investigación, docencia y vinculación). Para esto se propone un indicador basado en el método “Collections of Clustered Graphs”. Este método de Clustered Graphs, es un método de Análisis de Redes Sociales (ARS) propuesto por primera vez en 2008 que, a partir del análisis de roles o características normalizadas de los agentes sociales, permite reconocer fácilmente las diferencias y similitudes de grupos de redes con similitudes estructurales. Esto es posible gracias a que permite la reducción de la complejidad estructural, facilitando la lectura de redes complejas, la comparación de grandes grupos de redes y la realización de estudios longitudinales (Lubbers et al., 2010).

ABSTRACT: Why are the research, teaching and extension indicators presented in a scattered way, if in theory they appear as functions of the university institution that are strongly interrelated among them? And more importantly, can an easy-to-read indicator be developed that integrates all teaching products in the university field and contains a weighting thrown by the empirical reality itself? To address these issues, this work is separated from the “scraps” approach and a questionnaire is entered by the brands that relate the different teaching products in the university field. Therefore, it is essential to take integral positions such as the approach of formative research, the teaching title to the concept of scientific habit, proposing to train the student in the necessary arrangements for the production of basic scientific knowledge or linkage and thus multiply their possibilities of insertion in the competence of the scientific field. As Restrepo (2004), quoted in Gonzales (2006), this approach “outlines the role that research can play in learning knowledge, that is, didactically modeled research processes, to carry out the practical classes historical production of scientific knowledge in its processes and not only in its results” (P.105). But measuring so comprehensively, it implies proposing a relational indicator that can integrate teaching products into the subfields of the university field (Research, teaching and bonding). For this, an indicator based on the method "Collections of clustered graphics" is proposed. This method of Clustered Graphics, is a Social Network Analysis (ARS) method proposed for the first time in 2008 that, from the analysis of roles or standardized characteristics of social agents, allows to easily recognize differences and similarities of a particular group of networks with structural similarities. Its main objective is to reduce structural complexity, facilitate the reading of complex networks, the comparison of large groups of networks and the conduct of longitudinal studies (Lubbers et al., 2010).