Un nuevo estudio de LMU muestra cómo los estudiantes pueden comprender e interpretar mejor las probabilidades condicionales.
¿Qué tan confiable es un resultado positivo de una prueba de VIH? ¿Qué probabilidad hay de una infección real cuando la prueba es positiva? Incluso los profesionales a menudo se equivocan en estas preguntas, lo que puede dar lugar a diagnósticos erróneos y cirugías innecesarias en la práctica. En un nuevo estudio con estudiantes de medicina y derecho, un equipo de académicos en educación matemática de las universidades de Ratisbona, Kassel y Friburgo, la Universidad de Educación de Heidelberg y la LMU de Múnich ha comparado cuatro cursos de formación diferentes diseñados para ayudar a los estudiantes a obtener una mejor comprensión de probabilidades. Los resultados del proyecto TrainBayes de la Fundación Alemana de Investigación se han publicado en la revista Aprendizaje e instrucción.
La atención se centró en las llamadas situaciones bayesianas. Un ejemplo: digamos que en un momento determinado durante la pandemia de coronavirus, el 0,1% de la población estaba infectada con SARS-CoV-2. Luego, una persona realiza una autoprueba de SARS-CoV-2. El 96% de las personas infectadas reciben un resultado positivo en la prueba. Sin embargo, el 2% de las personas no infectadas también obtienen un resultado positivo. ¿Qué quiere decir esto? ¿Qué posibilidades hay de que la persona en cuestión esté realmente infectada si obtiene un resultado positivo en la prueba?
«Muchas personas, incluso expertos en los respectivos campos, sobreestiman significativamente esta probabilidad», afirma Karin Binder, pedagoga matemática de la LMU y una de las autoras del estudio. «Los parámetros positivos de las pruebas hacen que la gente confíe en el resultado de las pruebas y pase por alto la pequeña proporción de personas infectadas».
Para ilustrar esta situación, podemos imaginar que se han realizado pruebas a 100.000 personas: sólo, digamos, 100 personas están infectadas, de las cuales 96 reciben un resultado positivo. De las 99.900 personas sanas, el 2% (es decir, 1.998) también obtienen un resultado positivo. En consecuencia, de un total de 2.094 personas con resultados positivos, sólo 96 están realmente infectadas, lo que corresponde a casi el 5%. Como tal, un resultado positivo de la prueba todavía no es, por sí solo, motivo de alarma.
Nicole Steib, de la Universidad de Ratisbona y autora principal del estudio, explica: «La traducción de probabilidades (2%) en frecuencias concretas (1.998 de 99.900), combinada con la representación de la información en un árbol doble, resultó ser el método más eficaz para ayudar a los estudiantes a resolver tareas similares.» Los árboles de probabilidad que se utilizan habitualmente en las escuelas, por el contrario, sólo ayudan a los estudiantes con conocimientos matemáticos previos especialmente avanzados. En un proyecto posterior se integrarán los nuevos enfoques de formación en lecciones para la enseñanza en la escuela.
