Competencia digital docente en el uso de simulaciones virtuales: percepción del profesorado de áreas STEM

 

 

Teacher digital competence in the use of virtual simulations: STEM teachers' perception

 

 

 Dr. Daniel Moreno-Mediavilla. Profesor contratado doctor. Universidad Internacional de la Rioja (UNIR). La Rioja, España

 Dra. Alicia Palacios. Profesora contratada doctora. Universidad Internacional de la Rioja (UNIR). La Rioja, España

 Dra. Rosa Gómez del Amo. Profesora ayudante doctora. Universidad Internacional de la Rioja (UNIR). La Rioja, España

 Dr. Álvaro Barreras-Peral. Profesor contratado doctor. Universidad Internacional de la Rioja (UNIR). La Rioja, España

 

 

 

 

 

 

 

Recibido: XXXX/XX/XX Revisado XXXX/XX/XX Aceptado: XXXX/XX/XX Preprint: XXXX/XX/XX Publicado: XXXX/XX/XX

 

 

Cómo citar este artículo:

Moreno-Mediavilla, D., Palacios-Ortega, A., Gómez del Amo, R., & Barreras-Peral, A. (2023). Competencia digital docente en el uso de simulaciones virtuales: percepción del profesorado de áreas STEM [Teacher digital competence in the use of virtual simulations: STEM teachers' perception]. Pixel-Bit. Revista de Medios y Educación, 68, 83-113. https://doi.org/10.12795/pixelbit.98768

 

 

 

RESUMEN

La competencia digital docente y su perfeccionamiento cobran un papel destacado en el contexto educativo actual. En las áreas STEM, uno de los principales recursos digitales para promover eficazmente el conocimiento de las ciencias y desarrollar habilidades de indagación son las simulaciones virtuales, cobrando gran importancia el papel del docente en su uso eficiente en el aula. El objetivo de este trabajo es determinar la percepción de la competencia digital docente en el uso de simulaciones virtuales, así como analizar posibles diferencias frente a variables sociodemográficas, de uso y de formación. Se ha realizado un estudio cuantitativo mediante análisis descriptivo, correlacional y asociativo, con 500 docentes de áreas STEM de Educación Secundaria. Los resultados apuntan a una autopercepción media en las diferentes dimensiones de la competencia. No se obtienen diferencias significativas en genero, edad, años de experiencia docente, ni formación recibida, pero sí respecto al área de conocimiento en la que imparte clase, a la frecuencia de uso de esta tecnología en sus clases y a la necesidad de formación percibida. Se concluye que existe una necesidad de formación importante en el uso de simulaciones virtuales, destacando principalmente la formación en la búsqueda y selección de simulaciones adecuadas.

 

 

ABSTRACT

Teacher digital competence and its improvement play a prominent role in the current educational context. Virtual simulations are one of the main digital resources for effectively learning science and developing inquiry skills in STEM areas, being essential the role of the teacher in their efficient use in the classroom. The objectives of this work are to measure the perception of teaching digital competence in the use of virtual simulations, as well as to analyze the results based on sociodemographic, use and training variables. A quantitative study has been carried out through descriptive, correlational and associative analysis, with 500 STEAM teachers of Secondary Education. The results show an average self-perception value in the different dimensions of the competence. No significant differences were found in gender, age, years of teaching experience, or training received, but there were differences regarding their knowledge area, the frequency of use of virtual simulations in class, and the perceived need for training. It is concluded that there is a need for significant training in the use of virtual simulations, mainly highlighting training in the search and selection of appropriate simulations.

 

PALABRAS CLAVES· KEYWORDS

Formación de docentes, tecnología educacional, enseñanza de las ciencias, competencias del docente, enseñanza secundaria.

Teacher education, educational technology, science education, teacher qualifications, secondary education.

 

 

1. Introducción

La implantación de las Tecnologías de la Información y la Comunicación (TIC) en el ámbito educativo ha sufrido una evolución importante en los últimos años, recibiendo el apoyo de la Comisión Europea a través de la Agenda Digital (Brevik et al., 2019). Sin embargo, el uso eficaz de las tecnologías no es sencillo, e implica que los docentes adquieran un conjunto de habilidades prácticas, conocimientos, actitudes y destrezas (Bai et al., 2019), englobadas en la definición de Competencia Digital Docente (CDD) (Rodríguez-García et al., 2019). El desarrollo de esta competencia abarca principalmente los conocimientos y capacidades técnicas en el uso de herramientas digitales y cómo estas pueden ser usadas en el aula, incluyendo la planificación didáctica, curricular y metodológica (Falloon, 2020; Verdú-Pina et al., 2023). Algunas definiciones actuales incluyen además aspectos legales, éticos y de seguridad relacionados con las tecnologías (INTEF, 2017; Redecker & Punie, 2017), así como la comprensión del papel de las TIC en la sociedad, construyendo una actitud equilibrada, fluida y madura hacia la tecnología (Engen, 2019; Falloon, 2020). La mayor parte de estas dimensiones están incluidas en el marco de referencia europeo DIGCOMP-Edu (Redecker & Punie, 2017) así como en el marco de referencia estatal (INTEF, 2017), pero es conveniente destacar que la definición de competencia digital docente no está cerrada, siendo ampliable o modificable en función de las necesidades y la evolución de las propias tecnologías y de su relación con la sociedad.

En la enseñanza de las ciencias experimentales, el trabajo práctico es algo imprescindible para desarrollar las competencias STEM (Science, Technology, Engineering, Mathematics) (Espinosa-Ríos et al., 2016; López-Cortés et al., 2021). Estas competencias plantean la necesidad de potenciar las habilidades de experimentación aplicada, análisis crítico y resolución de problemas (Perales-Palacios & Aguilera, 2020). Sin embargo, el uso de un recurso como el laboratorio también implica una serie de dificultades, bien por problemas logísticos, de espacio o económicos. En este sentido, las simulaciones virtuales permiten solventar algunos de estos problemas, manteniendo los beneficios que ofrece el trabajo práctico (Blake & Scanlon, 2007; Smetana & Bell, 2014) a escala macroscó­pica, pero ofreciendo una visualización adicional a través de escalas microscópica y submicroscópica. Las simulaciones virtuales permiten al usuario interaccionar con la representación de fenómenos o sistemas reales (Chan et al., 2021; Sypsas et al., 2018). Esto fomenta que el alumnado observe y manipule objetos, variables y fenómenos, e incluso visualice los cambios producidos a través de diferentes representaciones (Blake & Scanlon, 2007; Smetana & Bell, 2014). Además, estas herramientas permiten trabajar el método científico y la indagación y, con ello, favorecen la adquisición de competencias científicas, así como la actitud positiva hacia la ciencia (Fan & Geelan, 2013; Perkins et al., 2012). Por lo tanto, las posibilidades que esta tecnología ofrece son suficientemente amplias como para promover su uso efectivo en las aulas de ciencias tanto por parte del profesorado en activo como por el que se encuentra en periodo de formación (D’Angelo et al., 2014; Waight et al., 2014). El papel del docente es clave en el uso eficiente de las simulaciones (Rutten et al., 2012). Además, Lee et al. (2021) indican que, a pesar de que los docentes están interesados en utilizar simulaciones virtuales, carecen de la formación necesaria para hacerlo, existiendo una brecha digital importante, tanto en el acceso, como en el conocimiento y uso de estas.

La posibilidad de obtener el máximo beneficio de estos recursos va a estar directamente vinculado a la CDD (INTEF, 2017; ​Tourón et al., 2018)​ del profesorado en el uso concreto de simulaciones y laboratorios virtuales. Para determinar esta competencia se ha utilizado el cuestionario CDUSV, que analiza la percepción del docente de Educación Secundaria de áreas STEM sobre su competencia digital en el uso de simulaciones virtuales (Gómez et al., 2022).

El cuestionario CDUSV plantea 4 dimensiones derivadas del marco de referencia de la competencia digital docente (INTEF, 2017), los principios del modelo TPACK (Technological Pedagogical Content Knowledge) en cuanto a la importancia de la integración de la tecnología en el proceso didáctico para el éxito de su aplicación (Cabero-Almenara et al., 2020; Koehler & Mishra, 2008), así como a lo publicado sobre el uso de simulaciones virtuales en las aulas (Lee et al., 2021; Rutten et al., 2012; Smetana & Bell, 2014). Entre las cuatro dimensiones se define el “Desarrollo de la práctica docente (D1)” como el papel del profesor al desarrollar su trabajo docente en el aula a través de simulaciones virtuales e incluye el conocimiento sobre la materia, como definen Roque Herrera et al. (2022), Martín (2019) y Carlos-Guzmán (2016), la aplicación de diferentes modelos pedagógicos (Gómez, 2016) y el análisis de las dificultades del alumnado. La dimensión de “Planificación didáctica (D2)” considera tanto la planificación y diseño de secuencias didácticas con simulaciones virtuales para contribuir significativamente al proceso de enseñanza y aprendizaje STEM (Mayer, 2019), como su evaluación (Nolasco et al., 2016). La “Autorreflexión sobre la práctica docente (D3)” incluye el análisis previo de las características del alumnado (Méndez & Conde, 2018), las posibilidades que ofrece la simulación, así como la autoevaluación y reflexión del profesorado tras el desarrollo de la propuesta didáctica en el aula (Torres et al., 2020). Por último, también se incluyen las “Facilidad de uso de las simulaciones virtuales (D4)” refiriéndose al conocimiento del recurso tecnológico con­creto y a los obstáculos que se deben superar para una puesta en práctica exitosa (Lee et al., 2021), incluyendo la gestión del tiempo y la resolución de dudas (Fuentes et al., 2019). El uso de este cuestionario permite determinar las debilidades y necesidades de formación del profesorado en este ámbito, con el fin de desarrollar planes de formación permanente adaptados a las necesidades detectadas y disminuir así la Brecha Digital existente.

Con esta finalidad, se plantearon los siguientes objetivos:

1. Analizar la percepción de la competencia digital docente en el uso de simulaciones virtuales en el profesorado de áreas STEM.

2. Determinar la relación entre las variables sociodemográficas y laborales, frecuencia de uso y la formación de los docentes y la competencia digital autopercibida en el uso de simulaciones virtuales.

 

2. Metodología

2.1. Diseño de la investigación

Esta investigación evalúa la autopercepción de las competencias del profesorado de Educación Secundaria de áreas STEM en el uso de las simulaciones virtuales. Se diseña un estudio de corte cuantitativo, no experimental, de tipo descriptivo, asociativo y correlacional, con un diseño transversal.

 

2.2. Muestra

La muestra que forma parte del estudio, obtenida mediante un muestreo no probabilístico casual, está formada por 500 docentes de Educación Secundaria. Esta muestra abarca a docentes de todas las Comunidades Autónomas de España, siendo mayoritario el profesorado procedente de la Comunidad Valenciana (20.6%), Región de Murcia (13.2%) y Andalucía (11.2%). Los centros en los que ejercen su labor docente son centros públicos (82.4%), concertados (14.8%) y privados (2.8%) y pertenecen a zonas urbanas (74%) y a zonas rurales (26%).

Esta muestra se considera adecuada para la población de estudio ya que, aunque no se ha realizado un muestreo probabilístico, con una población superior a 5000 individuos, un tamaño muestral de 400 participantes resulta pertinente según Cardona (2002).

 

2.3 Instrumento y procedimiento de recogida de datos

El cuestionario utilizado (CDUSV) está formado por 26 ítems que evalúan la autopercepción de la competencia digital docente en el uso de simulaciones virtuales, con una escala tipo Likert del 1 a 5 (enlace al cuestionario). Además, consta de varias preguntas sociodemográficas y laborales (género, edad, años de experiencia docente, área en la que se imparte clase, tipo de centro...) y otras cuestiones para conocer la frecuencia de uso y la formación recibida sobre simulaciones virtuales.

El CDUSV es un instrumento validado (Gómez et al., 2022) compuesto por cuatro dimensiones: Desarrollo de la práctica docente (D1); Planificación didáctica (D2); Autorreflexión de la práctica docente (D3) y Facilidad de uso de simulaciones virtuales (D4). Se justifica la validez de dichas dimensiones por los siguientes índices de verificación del ajuste: el índice GFI obtenido es .990, lo que indica un buen ajuste del modelo al ser superior a .950. El coeficiente NNFI obtenido es .963, considerándose este un valor satisfactorio (Ferrando & Anguiano-Carrasco, 2010). Por otro lado, el RMCR es .039, inferior al valor límite de .050 y al criterio recomendado de Kelley (1935), que para estos datos es .055, por lo que los valores residuales observados son muy cercanos a cero. Finalmente, el índice RMSEA, que estima el error de aproximación del modelo propuesto, tuvo un valor de .066, lo que indica un ajuste admisible (Lloret-Segura et al., 2014).

Para asegurar la consistencia interna de este instrumento, en la muestra de docentes de este estudio, se calculó su fiabilidad mediante el coeficiente Alfa de Cronbach: α(D1)=.86; α(D2)=.84; α(D3)=.84 y α(D4)=.71. La fiabilidad de los cuatro factores presenta puntuaciones superiores a .70 lo que, según Cohen et al. (2006), le otorga una fiabilidad alta a los factores que componen este instrumento. Por otro lado, el índice α de Cronbach global de este instrumento es de α=.92, lo que indica una fiabilidad muy alta (O’Dwyer & Bernauer, 2014).

Este cuestionario fue enviado manualmente por correo electrónico a 6700 centros educativos públicos, concertados y privados de España y estuvo abierto desde la segunda quincena de enero al mes de mayo de 2022. En todo momento se ha asegurado el anonimato de los participantes.

 

2.4. Análisis de datos

Los datos recopilados fueron analizados usando Excel, SPSS 25 y Jamovi 2.3.21. En primer lugar, se invirtieron los ítems D4.4 y D4.7 (descritos en sentido negativo) para que fueran en el mismo sentido que el resto de ítems de la dimensión.

A continuación, se descartó la existencia de casos perdidos y se determinó la existencia de datos atípicos para cada dimensión mediante el test de Bonferroni (De Carlo, 1997). La eliminación de los datos atípicos de cada dimensión produjo una pérdida de muestra menor al 1%. Para comprobar la normalidad de la muestra, se llevó a cabo el análisis de Kolmogorov-Smirnov para cada ítem, así como el test multivariado de asimetría y curtosis de Mardia (1970). Los resultados obtenidos (p<.001) indican que los datos no siguen una distribución normal (George & Mallery, 2001) y, por lo tanto, se debe usar estadística no paramétrica para el análisis inferencial.

A partir de este análisis inicial, se desarrolló el análisis descriptivo de los ítems y de las dimensiones, obteniéndose el valor de cada dimensión a partir de la media de los ítems que las integran. Además, se calculó la correlación de Spearman para muestras no paramétricas entre las cuatro dimensiones de estudio.

El análisis inferencial de contraste se realizó mediante la prueba U de Mann-Whitney, en el caso de las variables dicotómicas, y la prueba H de Kruskal-Wallis con el resto de variables. Estas pruebas contrastan la hipótesis de igualdad entre grupos. Además, tras la prueba de Kruskal-Wallis se ha obtenido el análisis de datos por parejas mediante la prueba de Dwass-Steel-Critchlow-Fligner. El valor de significatividad para los análisis realizados en este estudio se estableció en .05.

Para calcular el tamaño del efecto de los datos significativos encontrados, se ha obtenido el estadístico d Cohen a partir de los resultados del test de Kruskal-Wallis (Cohen, 2008; Fritz et al., 2012, p. 12; Lenhard & Lenhard, 2016). Según Cohen (1988), valores de la d Cohen inferiores a .20 señalan la no existencia de efecto; valores entre .21 a .49 hacen referencia a un efecto pequeño; así mismo, valores oscilantes entre .50 a .79 indican un efecto moderado; finalmente, valores mayores a .80 señalan un efecto grande. Por otro lado, teniendo en cuenta los estudios de Hattie (2009) sobre la reinterpretación de los tamaños del efecto en educación, valores de d Cohen por debajo de .20 se consideran efectos muy bajos, entre .20 y .39 son considerados efectos bajos o “efecto del docente” y a partir de .4 se consideran efectos deseados.

 

3. Análisis y resultados

3.1. Caracterización de la muestra

La muestra que forma parte de este estudio está compuesta por 500 docentes que imparten clases de Matemáticas (22%), Física y Química (28%), Biología y Geología (13.6%), Tecnología (13.2%) o en varias de estas asignaturas (23.2%). Un 20.8% cuenta con menos de 5 años de experiencia, un 18.2% entre 5 y 10 años, un 23.4% entre 11 y 20 y, por último, un 37.6% tiene más de 20 años de experiencia docente.

En lo que respecta a la edad, un 6.6% tiene menos de 31 años, un 20.6% entre 31 y 40, un 37% tiene entre 41 y 50, un 33% entre 51 y 60 y, finalmente, un 2.8% tiene más de 60 años. Además, un 62% son mujeres y un 37.8% son hombres.

El profesorado que forma parte de esta investigación ha utilizado alguna vez las simulaciones virtuales, pero en lo que respecta a la frecuencia de uso presentan diferencias: un 3.6% no las utilizan nunca, un 61% del profesorado las utilizan de manera esporádica y un 35.4% las emplean habitualmente. Además, sólo un 22.8% de la muestra ha recibido alguna formación sobre simulaciones virtuales, lo que explica que un 51.9% del profesorado considere muy necesario y un 27.7% considere necesario recibir formación para aprovechar las posibilidades didácticas de estas herramientas. Además, un 48.1% y un 28.7% considera muy necesario y necesario, respectivamente, recibir formación sobre cómo integrar simulaciones virtuales en el aula. Relacionado con lo anterior, un 53.7% y un 29.5% considera muy necesario y necesario recibir información sobre la búsqueda y selección de simulaciones virtuales.

 

3.2. Competencia digital autopercibida por los docentes

En primer lugar, se realiza un análisis descriptivo de la muestra (N=500) (ver Tabla 1). Estos resultados se presentan en función de las dimensiones que componen el cuestionario CDUSV. Se han calculado los promedios de los resultados para cada participante con el objetivo de obtener una escala común a todas las dimensiones y, así, realizar comparaciones entre las mismas. Este hecho explica la aparición de resultados decimales en la mediana, la moda y en el mínimo de algunas dimensiones. Además, en lo que respecta a la media, con la finalidad de interpretar el nivel de competencia digital docente autopercibida en el uso de las simulaciones virtuales, se ha establecido la siguiente catergorización: nivel bajo [1, 3); nivel medio [3, 4); y nivel alto [4, 5]. Como se observa en la Tabla 1, la media obtenida en cada una de las dimensiones es superior a los 3 puntos (nivel medio de competencia autopercibida), con una escasa desviación por debajo de los .85 puntos en cada caso. Destaca la autorreflexión de la práctica docente (D3) con valores de media y mediana por encima del resto de dimensiones, y la planificación didáctica (D2) con el valor de media más bajo.

 

Tabla 1

Análisis descriptivo de cada dimensión

Desarrollo práctica docente (D1)

Planificación didáctica (D2)

Autorreflexión (D3)

Facilidad de uso

 (D4)

N

497

499

499

500

Media

3.5677

3.2779

3.9145

3.408

Mediana

3.5714

3.3333

4

3.3333

Moda

3.86

3.83

4a

3.33

Desviación estándar

.7152

.8363

.7293

.6215

Mínimo

1

1

1.17

1.5

Máximo

5

5

5

5

a Existen múltiples modas. Se muestra el valor más pequeño.

 

Además, la Tabla 2 muestra la correlación (r de Spearman) entre las diferentes dimensiones. Cabe resaltar que se evidencia una correlación significativa entre todas las dimensiones. Sin embargo, la correlación (directa) más alta se halla entre la planificación didáctica (D2) y la autorreflexión de la práctica docente (D3). En cambio, el desarrollo de la práctica docente (D1) es la que menos se correlaciona con el resto.

 

Tabla 2

Correlación entre las dimensiones

D1

D2

D3

D4

D1

1

 

 

 

D2

.246*

1

 

 

D3

.327*

.554*

1

 

D4

.201*

.475*

.487*

1

* La correlación es significativa en el nivel .01 (bilateral)

 

Por otro lado, al analizar los valores medios de cada una de las preguntas (Figura 1), se observa que los ítems asociados a la planificación didáctica (D2) se sitúan por debajo de la media global (3.55), mientras que la autorreflexión en la práctica docente (D3) está, en general, por encima de la media global. Cabe destacar un ítem con un nivel de competencia bajo (<3): los docentes encuentran bastantes dificultades a la hora de seleccionar la simulación virtual adecuada (ítem D4.4, con 2.84 de media); y dos ítems con un nivel de competencia alto (>4): la mayoría de los docentes exploran las posibilidades de las simulaciones virtuales antes de emplearlas con los estudiantes (ítem D3.1. con 4.21 de media) y, además, tienen en cuenta las características de los estudiantes a la hora de diseñar experiencias de aprendizaje significativas empleando estas herramientas (ítem D3.2 con 4.15 de media).

 

Figura 1

Valores medios de todos los ítems

Gráfico, Gráfico de barras

Descripción generada automáticamente

 

3.3. Diferencias en la percepción de la competencia docente en relación con las variables estudiadas

Para identificar aquellos ítems con diferencias estadísticamente significativas respecto a las variables consideradas en el estudio, se ha representado cada uno de ellos en función de las diferencias encontradas en cada variable (Tabla 3). Esto permite identificar aquellas variables que tienen más ítems con diferencias significativas.

 

Tabla 3

Diferencias significativas por ítem

 

 

Edad

Género

Experiencia

Áreas impartidas

Frecuencia uso

Formación recibida

Necesidad formación uso

Necesidad formación integración

Necesidad formación búsqueda

D1

D1.1

 

 

 

 

 

 

 

D1.2

 

 

 

 

 

 

 

D1.3

 

 

 

 

 

 

 

D1.4

 

 

 

 

 

 

D1.5

 

 

 

 

 

 

 

 

D1.6

 

 

 

 

 

 

 

D1.7

 

 

 

 

 

 

 

 

D2

D2.1

 

 

 

 

 

 

 

D2.2

 

 

 

 

 

 

 

D2.3

 

 

 

 

 

 

 

 

D2.4

 

 

 

 

 

 

 

 

 

D2.5

 

 

 

 

 

 

D2.6

 

 

 

 

 

 

 

D3

D3.1

 

 

 

 

 

 

D3.2

 

 

 

 

 

 

 

D3.3

 

 

 

 

 

 

D3.4

 

 

 

 

 

 

 

 

D3.5

 

 

 

 

 

 

D3.6

 

 

 

 

 

 

D4

D4.1

 

 

 

 

 

 

D4.2

 

 

 

 

 

D4.3

 

 

 

 

 

D4.4

 

 

 

 

 

D4.5

 

 

 

 

 

 

 

D4.6

 

 

 

 

 

 

 

D4.7

 

 

 

 

 

 

 

Nota: vacío (p >= .05);  (p < .05);  (p < .01);  (p < .001).

 

Como se observa, destacan tres variables sobre el resto: la frecuencia de uso de simulaciones virtuales, las áreas impartidas por los docentes y la necesidad de recibir formación en la búsqueda de simulaciones virtuales. A continuación, se analiza cada una de estas variables de manera detallada y se explica la ausencia de diferencias para el resto.

 

3.3.1. Variables sociodemográficas y laborales

En primer lugar, se consideran las variables sociodemográficas y laborales de los docentes: edad, género, años de experiencia docente y áreas en las que se imparte clase. Para ello, se analiza si existen diferencias entre dichas variables y las dimensiones, encontrándose únicamente diferencias significativas (p=.003) entre la variable área en la que se imparte clase y la dimensión de facilidad de uso (D4), con un tamaño del efecto pequeño (d Cohen=.318) (Figura 2). En particular, los resultados de la prueba de Dwass-Steel-Critchlow-Fligner muestran diferencias (p = .003) entre los docentes que imparten Biología y Geología“ y los que imparten Tecnología“; así como existen diferencias significativas (p= .027) entre las áreas de Física y Química“ y Biología y Geología“. Además, se destaca la variable de áreas impartidas como una de las que más ítems con diferencias significativas contiene (ver Tabla 3).

 

Figura 2

Áreas impartidas

Imagen que contiene Tabla

Descripción generada automáticamente

 

Por otro lado, respecto a la edad no se encuentran diferencias significativas en las dimensiones, pero, como se puede observar en la Tabla 3, sí en el ítem D3.1 (p= .033). Así, encontramos que los docentes menores de 31 años exploran menos las distintas posibilidades que ofrecen las simulaciones virtuales antes de emplearlas con los estudiantes que los docentes que tienen entre 51 y 60.

Es relevante que no se hayan encontrado diferencias significativas en las dimensiones en función de los años de experiencia docente ni respecto a su género. Respecto a los ítems, tan solo se ha encontrado que las mujeres tienen más en cuenta las características de sus estudiantes a la hora de diseñar experiencias de aprendizaje empleando simulaciones virtuales (ítem D3.2) (p= .009).

 

 3.3.2. Frecuencia de uso

En la frecuencia de uso de las simulaciones virtuales por parte de los docentes se observan diferencias significativas en las cuatro dimensiones. Estas diferencias (p < .001) se obtienen, principalmente, entre los docentes que utilizan simulaciones virtuales de forma esporádica y los que las utilizan habitualmente (Figura 3). En particular, al considerar el desarrollo de la práctica docente (D1) el tamaño del efecto es el deseado (d Cohen=.456) considerando la escala de Hattie (2009). Respecto a D2 y D3, en la Figura 3 se observa una clara tendencia en los rangos, indicando que aquellos docentes con mayor competencia en planificación didáctica (D2) y autorreflexión (D3) son los que utilizan las simulaciones virtuales habitualmente, obteniendo un tamaño del efecto deseado (d Cohen=.453) y pequeño (d Cohen=.368), respectivamente. Respecto a D4, se observa que los que más frecuencia de uso hacen de las simulaciones, menos dificultades encuentran (D4), siendo el efecto de estas diferencias significativas el deseado (d Cohen=.929), según la escala de Hattie (2009) y muy alto según la escala de Cohen (1988).

Figura 3

Frecuencia de uso en las distintas dimensiones

Imagen que contiene Gráfico

Descripción generada automáticamente

 

Cabe destacar que la frecuencia de uso es la variable en la que se encuentran un mayor número de ítems con diferencias estadísticamente significativas (ver Tabla 3).

 

3.3.3. Formación sobre simulaciones virtuales

Al analizar si existen diferencias significativas entre las dimensiones y las variables de formación en el uso de simulaciones, encontramos diferencias entre la D1 y la D3 y la necesidad de recibir formación en la búsqueda y selección de simulaciones.

Al respecto, el análisis de los rangos (Figura 4) muestra que los docentes con mayor competencia en el desarrollo de la práctica docente (D1) son los que más necesaria ven la formación en la búsqueda y selección de simulaciones. El análisis revela que dichas diferencias son significativas (p=.018), aunque tienen un tamaño del efecto pequeño. Análogamente, los docentes con mayor competencia en la planificación didáctica (D2) son los que más necesaria ven la formación, aunque en este caso las diferencias no son significativas. Por otro lado, aunque no existe una clara tendencia en los rangos relativos a la autorreflexión de la práctica docente (D3), sí que se encuentran diferencias significativas (p=.006) entre los docentes que ven necesario y muy necesario recibir este tipo de formación (d Cohen =.292). Respecto a D4, aunque no se observan diferencias significativas, sí se encuentran estas diferencias en varios ítems, entre los que destaca que los docentes que conocen diversas simulaciones virtuales son los que menos necesario ven la necesidad de formación en la búsqueda (ítem D4.2) (p< .001; d Cohen =.369).

 

Figura 4

Necesidad de formación en la búsqueda y selección de simulaciones virtuales en las distintas dimensiones

Imagen que contiene Tabla

Descripción generada automáticamente

 

Aunque no se han observado diferencias significativas entre las dimensiones y la variable de formación recibida, sí se observan varios ítems con diferencias significativas. En este sentido, destaca que los docentes que no han recibido formación previa sobre simulaciones virtuales encuentran más dificultades a la hora de seleccionar la simulación virtual adecuada (ítem D4.4) (p< .001; d Cohen= .253).

Por otro lado, en cuanto a la necesidad de recibir formación para aprovechar las posibilidades didácticas de las simulaciones y a la necesidad de recibir formación para integrarlas en el aula, no se encuentran diferencias significativas en las dimensiones pero sí entre varios ítems (Tabla 3).

 

4. Discusión y conclusiones

La percepción de la competencia digital docente en el uso de simulaciones virtuales analizada en este trabajo acota la CDD (Cabero-Almenara et al., 2020; Marimon-Martí et al., 2022) a un recurso determinado, las simulaciones virtuales. En particular, se han analizado cuatro dimensiones de la competencia en el uso de simulaciones (desarrollo de la práctica docente, planificación didáctica, autorreflexión y facilidad de uso), estudiando tres conjuntos de variables en los docentes (sociodemográficas y laborales, frecuencia de uso y formación).

En relación al primer objetivo de este trabajo, se concluye que los docentes presentan un nivel medio de competencia autopercibida en el uso de simulaciones virtuales, al igual que se ha encontrado en estudios sobre CDD (Falcó, 2017). De las cuatro dimensiones, destaca la autorreflexión, considerada especialmente importante para la labor docente (Méndez & Conde, 2018). Las dimensiones están correlacionadas, destacando la relación entre la planificación y la autorreflexión docente, dos de las dimensiones del desempeño docente destacadas por Carlos-Guzmán (2016). Además, la mayoría de los docentes exploran las posibilidades de las simulaciones virtuales antes de emplearlas y tienen en cuenta las características de los estudiantes en el diseño de experiencias de aprendizaje empleando estas herramientas. Estos resultados se relacionan con lo encontrado por Cabero-Almenara et al. (2020), los cuales destacan el avance del profesorado hacia la adaptación a las necesidades del alumnado. Así mismo, los docentes encuentran dificultades a la hora de seleccionar la simulación virtual adecuada, siendo la principal necesidad formativa esgrimida por los docentes para la inclusión de las simulaciones en el aula, como ya fue observado por Lee et al. (2021).

Respecto al segundo objetivo, no se han observado diferencias en función de las variables sociodemográficas (edad, género y experiencia). En cuanto al género, los resultados son similares a los encontrados previamente para la CDD (Marimon-Martí et al., 2022). Sin embargo, en función de la edad sí se evidencian diferencias respecto a la CDD (Marimon-Martí, 2022). Esto puede deberse a la propia naturaleza del objeto del estudio, puesto que el análisis de la CDD incluye dimensiones más próximas a la alfabetización digital que a la integración tecnológica, que es el foco de este y otros trabajos recientes (Falloon, 2020). Como indican Fuentes et al. (2019), el uso de la tecnología enfocado en un recurso concreto termina siendo un proceso que puede estar dirigido, controlado y orientado por una formación adecuada, siendo independiente del nivel de alfabetización digital del docente.

Respecto al área científica en la que el docente imparte clase, son los docentes de Biología y Geología los que menor competencia han demostrado. El que estos docentes encuentren más dificultades en el uso de simulaciones virtuales que los docentes de Física y Química o Tecnología puede relacionarse con una mayor variedad de simulaciones adaptadas a niveles educativos de Secundaria en Física y Química (Chan et al., 2021), frente a la Biología y Geología, así como al alto nivel de competencia digital del profesorado de Tecnología.

Respecto a la frecuencia en el uso de simulaciones, se concluye que los docentes con mayor competencia percibida en el uso de simulaciones son aquellos que las usan habitualmente en sus aulas. Por lo tanto, la familiarización con la herramienta se relaciona con una adecuada percepción del uso de la misma, tanto a nivel de desarrollo de la práctica docente, como de planificación y de facilidad de uso percibida (Mayer, 2019). Como explican Fuentes et al. (2019) la mejora de la competencia digital no sólo se consigue realizando cursos, es prioritario ponerlo en práctica de manera habitual para mejorar estas destrezas y adaptarlas a los continuos avances de la tecnología (Feixas et al., 2013).

Finalmente, se concluye que los docentes que presentan mejores resultados de competencia digital en el desarrollo de la práctica docente y la autorreflexión son aquellos que ven más necesaria la formación en la búsqueda y selección de simulaciones virtuales. Estos resultados podrían deberse a que un mayor conocimiento implica que sean más conscientes de la necesidad de seleccionar simulaciones virtuales adecuadas (Méndez & Conde, 2018). Es interesante destacar que si no se satisfacen estas necesidades a corto o medio plazo, la actitud del profesorado hacia el uso de simulaciones puede verse afectada negativamente (Lee et al. 2021).

Entre las limitaciones de este trabajo, cabe considerar que se ha realizado un muestreo no probabilístico de tipo casual, por lo que no se puede asegurar la representatividad de la muestra. Además, aunque el tamaño de la muestra es adecuado, al realizar un análisis inferencial, las submuestras delimitadas por cada una de las variables consideradas podrían ser mayores. Por otro lado, la recogida de información podría complementarse con entrevistas personales, con el fin de realizar un análisis cualitativo más detallado que aporte luz a un futuro proceso formativo.

En definitiva, los resultados encontrados evidencian la necesidad de formación en la búsqueda, selección y uso de simulaciones virtuales, a la vez que plantean el interés de seguir profundizando en las necesidades más concretas del profesorado de áreas STEM respecto a su formación digital. Estas necesidades deben ser tenidas en cuenta en futuros planes de formación inicial del profesorado. Además, sería interesante, en próximas investigaciones, relacionar las competencias docentes en el uso de simulaciones virtuales con las actitudes del profesorado ante su uso.

 

5. Financiación

Esta investigación ha sido financiada mediante las convocatorias competitivas Proyecto-Reto UNIR 2020 y Proyectos Propios de Investigación UNIR 2022.

 

 

Teacher digital competence in the use of virtual simulations: STEM teachers' perception

 

1. Introduction

The implementation of Information and Communication Technologies (ICT) in education has recently undergone important changes. For example, ICT is now being supported by the European Commission through its Digital Agenda initiative (Brevik et al., 2019). However, the effective use of technologies by teachers is a complex task that requires a set of practical skills, knowledge, attitudes (Bai et al., 2019) known collectively as Teacher’s Digital Competence (TDC). (Rodríguez-García et al., 2019). Developing TDC primarily entails the acquisition of knowledge and technical skills in the use of digital tools and the implementation of these tools in the classroom. These include didactic, curricular and methodological planning skills (Falloon, 2020; Verdú-Pina et al., 2023). Some current definitions of TDC also include legal, ethical, and security concerns related to technologies (INTEF, 2017; Redecker & Punie, 2017), as well as an understanding of the role of ICT in society. These more expansive definitions promote a balanced, fluid, and mature attitude towards technology (Engen, 2019; Falloon, 2020). Most of the abovementioned dimensions are included in the Spanish and European (DigCompEdu) reference frameworks (Redecker & Punie, 2017; INTEF, 2017). However, the definition of Teachers’ Digital Competence can be widened and modified according to societal needs, technological development, and the relationship between these technologies and society.

In the experimental sciences, hands-on work is essential for developing STEM (Science, Technology, Engineering, Mathematics) skills (Espinosa-Ríos et al., 2016; López-Cortés et al., 2021). Enhancing the skills of applied experimentation, critical analysis and problem solving are also critical to the development of STEM competencies (Perales-Palacios & Aguilera, 2020). However, laboratories may be unavailable for hands-one work because of logistical, space, or economic limitations. Virtual simulations can be used to overcome the challenges of laboratory unavailability while maintaining the benefits of hands-on work (Blake & Scanlon, 2007; Smetana & Bell, 2014). The benefits are maintained at a macroscopic scale. In addition, virtual simulations provide the added benefit of microscopic and submicroscopic scales of visualization.

Virtual simulations facilitate user interactions with representations of real phenomena or systems (Chan et al., 2021; Sypsas et al., 2018). This user interactions encourage students to observe and manipulate objects, variables, and phenomena, and through the representations, to visualize the differences that result from these manipulations (Blake & Scanlon, 2007; Smetana & Bell, 2014). Virtual simulation tools also promote the scientific method and inquiry and the concomitant acquisition of scientific skills. In addition, these tools promote a positive attitude towards science (Fan & Geelan, 2013; Perkins et al., 2012). In light of their great potential, virtual simulations should be promoted in science classrooms by teachers and teacher trainees alike. (D'Angelo et al., 2014; Waight et al., 2014). Teachers play a key role in the effective use of simulations (Rutten et al., 2012). While teachers are interested in employing virtual simulations, they lack the necessary training to do so (Lee et al. 2021). This lack of training leads to a significant digital divide in terms of access, knowledge, and level of use.

Maximizing the benefit from simulations and virtual laboratories is dependent on TDC levels (INTEF, 2017; Tourón et al., 2018). The CDUSV questionnaire is used to determine the level of TDC in this area. This instrument is used to analyze the self-perception of secondary school STEM teachers regarding their digital competence in the use of virtual simulations (Gómez et al., 2022).

The CDUSV questionnaire is based on 4 dimensions that are derived from the following resources: 1) the European reference framework of digital teaching competence (INTEF, 2017); 2) the principles of the TPACK model (Technological Pedagogical Content Knowledge). These principles emphasize that successful implementation requires the integration of this technology in the didactic process (Cabero-Almenara et al., 2020; Koehler & Mishra, 2008); and 3) literature on using virtual simulations in the classroom (Lee et al., 2021; Rutten et al., 2012; Smetana & Bell, 2014).

Firstly, the "Development of teaching practice (D1)" dimension is defined as the role the teacher plays when developing a lesson that employs virtual simulations. This dimension includes subject matter knowledge, as defined by Roque Herrera et al. (2022), Martín (2019), and Carlos-Guzmán (2016). This dimension also includes the application of diverse pedagogical models (Gómez, 2016) and the analysis of the student challenges.

Secondly, the “Didactic Planning (D2)” dimension assesses the planning and design of didactic sequences with virtual simulations, that significantly contribute to the STEM teaching and learning process (Mayer, 2019). D2 also assesses the evaluation of these sequences (Nolasco et al., 2016). Thirdly, the "Self-reflection of teaching practice (D3)" dimension evaluates teachers’ prior assessment of student characteristics (Méndez & Conde, 2018) and the possibilities offered by the simulations. This dimension also evaluates teachers’ self-evaluation and reflection upon having developed didactic proposals in the classroom (Torres et al., 2020).

Finally, the "Ease of virtual simulation use (D4)" dimension refers to knowledge of specific technological resources and the challenges to achieving a successful outcome (Lee et al., 2021). These challenges include time management and doubt resolution (Fuentes et al., 2019). This questionnaire can be used to identify the shortcomings and the needs in the training provided for implementing visual simulations. The goal of the questionnaire is to guide the development of permanent training plans that are adapted to the needs that are identified. The training plans can subsequently be used reduce the existing Digital Divide.

To this end, this study had the following objectives, to:

1. Analyze the self-perceived teachers' digital competence in the use of virtual simulations among STEM teachers.

2. Determine the relationship between self-perceived digital competence in the use of virtual simulations, and the following: sociodemographic and employment variables, frequency of use, and amount of training received.

 

 

2. Methodology

2.1. Study Design

The goal of this study is to evaluate the Secondary School STEM teachers‘ self-perception of their skills in using virtual simulations. This was a quantitative, non-experimental, descriptive, association, and correlational study with a cross-sectional design.

 

2.2. Sample

The sample consisted of 500 Secondary School teachers and was obtained using a non-probability convenience sampling method. This sample includes teachers from all 17 Spanish Autonomous Communities. A combined plurality of teachers were from the Valencian Community (20.6%), the Region of Murcia (13.2%) and Andalusia (11.2%). A majority were public school teachers (82.4%). The rest were employed by either state-subsidized (14.8%) or private (2.8%) schools. Seventy-four percent of teachers taught at urban schools while 26% were employed by rural schools.

When a non-probability sample is used, a sample size of at least 400 participants is adequate in the case where the population consists of more than 5000 individuals (Cardona, 2002).

 

2.3. Instrument design and data collection procedure

The CDUSV questionnaire consists of 26 five-point Likert scale items that evaluate the self-perception of teachers‘ digital competence in the use of virtual simulations (Link to questionnaire).  In addition, the questionnaire consists of several sociodemographic and employment questions, for example, gender, age, years of teaching experience, area where school is located (e.g. urban, rural) and type of school. Other questions were used to assess the frequency of virtual simulation use and the amount of training received.

The CDUSV is a validated instrument (Gómez et al., 2022) that is composed of four dimensions: Development of teaching practice (D1); Didactic planning (D2); Self-reflection of teaching practice (D3); and Ease of virtual simulation use (D4). The validity of these dimensions was verified via the calculation of satisfactory model fit index values: 1) the GFI index value was .990 (>0.95 is considered a good fit); 2) The NNFI coefficient obtained was .963, which is considered a satisfactory value (Ferrando & Anguiano-Carrasco, 2010); 3) the RMCR was .039, lower than the limit value of .050 and lower than the recommended criterion of Kelley (1935), which for these data is .055. Therefore, the observed residual values ​​were very close to zero; and 4) the RMSEA index had a value of 0.066, indicating an admissible fit (Lloret-Segura et al., 2014). The RMSEA estimates the approximation error of the proposed model.

To ensure the internal consistency of this instrument with respect to the sample of teachers in this study, the reliability of the instrument was calculated using Cronbach's alpha coefficient, which gave the following scores: α(D1)=.86; α(D2)=.84; α(D3)=.84; and α(D4)=.71. The scores of all four factors were higher than .70, indicating that the factors that made up the instrument were highly reliable (Cohen et al. 2006), The global Cronbach α index of this instrument was α=.92, confirming the high reliability of this instrument (Dwyer & Bernauer, 2014).

This questionnaire was manually sent by email to 6,700 public, state-subsidized, and private schools in Spain. The questionnaire was kept open from the second half of January to May 2022. The anonymity of participants was maintained throughout the study.

 

2.4. Data analysis

The data was analyzed using Excel, SPSS 25 and Jamai 2.3.21. Items D4.4 and D4.7 (described in a negative sense) were inverted so that they were in the same sense as the rest of the items in the dimension.

The possibility of missing cases was ruled out.  Outliers for each dimension were identified using the Bonferroni test (De Carlo, 1997). Discarding outliers from each dimension led to a sample loss of less than 1%. The normality of the sample was assessed by conducting, for each item, a Kolmogorov-Smirnov analysis and a multivariate test of asymmetry and kurtosis (Mardia, 1970). Test results indicated that the data were not normally distributed (p<.001, George & Mallery, 2001). Therefore, non-parametric statistical methods were in the inferential analysis.

A descriptive analysis of the items and dimensions was conducted. A value for each dimension was determined by averaging the values of the items comprising the dimension.   For non-parametric samples, Spearman's correlation values were calculated between the four dimensions.

In the case of dichotomous variables, inferential contrast analyses were performed using the Mann-Whitney U test.  The Kruskal-Wallis H test was used in the analysis of all other variables. These tests assessed the null hypothesis of equality between groups. The pairwise data analyses was conducted using the Dwass-Steel-Critchlow-Fligner test. The significance level for each test was set at .05.

To determine the effect size of the significant data, the d Cohen statistic was calculated from the results of the Kruskal-Wallis test (Cohen, 2008; Fritz et al., 2012, p. 12; Lenhard & Lenhard, 2016). A d Cohen value of ​​<.20 indicates no effect; d Cohen values ​​between .21 to .49 indicate a small effect; d Cohen values from .50 to .79 indicate a moderate effect; and d Cohen values ​​>.80 indicate a large effect (Cohen, 1988).  However, in the case of education studies, d Cohen values of < .20 indicate very low effects; d Cohen .20 and .39 are considered low effects (the “teacher effect”); and d Cohen values > .4 indicate desirable effects, according to the scale used by Hattie (Hattie 2009).

 

3. Analysis and Results

3.1. Sample Description

The study sample consisted of 500 teachers who teach Mathematics (22%), Physics and Chemistry (28%), Biology and Geology (13.6%), Technology (13.2%), or more than one of these (23.2%). Twenty-six percent of the teachers had less than 5 years of teaching experience, 18.2% had between 5 and 10 years of experience, 23.4% had between 11 and 20 years of experience, and 37.6% had more than 20 years of teaching experience.

Meanwhile, 6.6% percent of the teachers were under 31 years of age, 20.6% were between 31 and 40 years of age, 37% were between 41 and 50 years of age, 33% were between 51 and 60 of age and, 2.8% were older than 60 years of age. In addition, 62% were women and 37.8% were men.

Most of the teachers who participated in the study had used virtual simulations in the past, but at different frequencies: 3.6% had never use them, 61% of teachers were using them occasionally and 35.4% were using them often. In addition, only 22.8% of the teachers had received any training on the use of virtual simulations. This percentage helps explain why 51.9% and 27.7% teachers considered training very necessary and necessary, respectively, to be able to take advantage of the didactic potential of these tools. In addition, 48.1% and 28.7% considered it very necessary and necessary, respectively, to receive training on how to integrate virtual simulations in the classroom. Meanwhile, 53.7% and 29.5% considered it very necessary and necessary, respectively, to receive information on how to search for and select virtual simulations.

 

3.2. Self-perception of teachers’ digital competence.

The results of the descriptive analysis of the sample (N=500) are presented according the dimensions that make up the CDUSV questionnaire (Table 1). To facilitate comparisons between dimensions, averages of the results for each participant were calculated in order to obtain a common measurement scale for all dimensions.  As a result, some reported median, mode and minimum values of dimensions appear in decimal form. In order to facilitate interpretation of the self-perceived teachers‘ digital competence in the use of virtual simulations, mean values were categorized in the following way: low level [1, 3); medium level [3, 4); and high level [4, 5]. The mean scores of the dimensions were > 3 points (average level of self-perceived competence), with a slight standard deviation <.85 in all cases (Table 1). The mean score of the dimension of self-reflection of teaching practice (D3) had the highest mean and median values and the dimension of didactic planning (D2) had the lowest mean value.

Correlation values (Spearman's r)  between dimensions are presented in Table 2. Importantly, there was a significant correlation between all dimensions. Furthermore, the highest (direct) correlation was found between didactic planning (D2) and self-reflection of teaching practice (D3). Meanwhile, the development of teaching practice (D1) was the dimension that is least correlated with the other dimensions.

 

Table 1

Descriptive analysis of each dimension.

Development of Teaching Practice (D1)

Didactic Planning  (D2)

Self-reflection (D3)

Ease of Use

 (D4)

n

497

499

499

500

Average

3.5677

3.2779

3.9145

3.408

Median

3.5714

3.3333

4

3.3333

Mode

3.86

3.83

4a

3.33

Standard Deviation

.7152

.8363

.7293

.6215

Minimum

1

1

1.17

1.5

Maximum

5

5

5

5

a Multiple modes were observed. The smallest value is reported here.

 

Table 2

Correlations between dimensions

D1

D2

D3

D4

D1

1

 

 

 

D2

.246*

1

 

 

D3

.327*

.554*

1

 

D4

.201*

.475*

.487*

1

*  Correlations are considered significant at a level of .01 (bilateral)

 

Furthermore, items associated with didactic planning (D2) gave mean scores that were below the global mean (3.55), while items from the dimension self-reflection in teaching practice (D3) generally gave means above the global average (Figure 1). Importantly, teachers reported low competence (<3) in the following item: they found it quite challenging to select the appropriate virtual simulation (item D4.4, mean= 2.84). Teachers reported high competence in the following two items (>4): 1) most teachers do explore the possibilities of virtual simulations before using them with students (item D3.1. with a mean of 4.21) and; 2) teachers take into account the characteristics of the students when designing significant learning experiences using these tools (item D3.2 with a mean of 4.15).

 

Figure 1

Average values for each item.

Gráfico, Gráfico de barras

Descripción generada automáticamente

 

 

3.3. Differences in the self-perception of teaching competence in the context of the variables studied

Items with statistically significant differences with respect to the variables in this study are presented in Table 3. The results in Table 3 are organized in a way that makes it easier to identify variables that have more items with significant differences.

Three variables stand out: the frequency of use of virtual simulations, the courses taught by the teachers, and the need to receive training on how to search for virtual simulations. Each of these variables is analyzed in detail below. The absence of differences for the other variables is also explained.

 

3.3.1. Employment and sociodemographic variables.

The following sociodemographic and employment variables are assessed in this study: age, gender, years of teaching experience, and courses taught. We analyzed whether or not there were differences between these variables in each dimension.  We only found significant differences (p =.003) between the courses taught and the dimension ease of virtual simulation use (D4), a result with a small effect size (d Cohen =.318, Figure 2). The results of the Dwass-Steel-Critchlow-Fligner test show differences (p =.003) in the D4 dimension between teachers who taught “Biology and Geology” and those who taught “Technology”.  There were also significant differences (p =.027) between “Physics and Chemistry” and "Biology and Geology" teachers. In addition, the variable of courses taught is the one that contains the most items with significant differences (see Table 3).

 

Table 3

Significant differences by item.

 

 

Age

Gender

Experience

Courses taught

Frequency of use

Training received

Need for training on use

Need for training on integration

Need for training on searching

D1

D1.1

 

 

 

 

 

 

 

D1.2

 

 

 

 

 

 

 

D1.3

 

 

 

 

 

 

 

D1.4

 

 

 

 

 

 

D1.5

 

 

 

 

 

 

 

 

D1.6

 

 

 

 

 

 

 

D1.7

 

 

 

 

 

 

 

 

D2

D2.1

 

 

 

 

 

 

 

D2.2

 

 

 

 

 

 

 

D2.3

 

 

 

 

 

 

 

 

D2.4

 

 

 

 

 

 

 

 

 

D2.5

 

 

 

 

 

 

D2.6

 

 

 

 

 

 

 

D3

D3.1

 

 

 

 

 

 

D3.2

 

 

 

 

 

 

 

D3.3

 

 

 

 

 

 

D3.4

 

 

 

 

 

 

 

 

D3.5

 

 

 

 

 

 

D3.6

 

 

 

 

 

 

D4

D4.1

 

 

 

 

 

 

D4.2

 

 

 

 

 

D4.3

 

 

 

 

 

D4.4