Esta revista proporciona un acceso abierto inmediato a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global de conocimiento.
Por tanto se acoge a la Licencia Creative Commons 4.0 Atribuciones Reconocimiento – NoComercial – CompartirIgual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
http://creativecommons.org/licenses/by-nc-sa/4.0/
Resumen
El modelo de inteligencia de Cattell-Horn-Carroll (CHC) propone que los procesos cognitivos que componen la inteligencia pueden conceptualizarse como habilidades específicas, implicadas en tareas particulares, y habilidades generales, relacionadas con una amplia cantidad de contextos. Entre las habilidades más estudiadas bajo este modelo se encuentra la velocidad de procesamiento, identificada como uno de los mejores predictores del rendimiento académico y de la capacidad cognitiva general. En este artículo se presentan los resultados del análisis de la relación entre la velocidad de procesamiento y rendimiento académico general. Se evaluó una muestra de 223 estudiantes (53% mujeres) de Preescolar y básica primaria. Los resultados muestran una diferencia en la capacidad predictiva del componente perceptual (β =.76, p < .001) y conceptual (β =.09; p = .121) de la velocidad de procesamiento en procesos académicos básicos de lectura y matemática, así como ajustes similares en modelos de regresión a partir de su conceptualización como habilidad general (R2 = .68) o específica (R2 = .69). El análisis de la relación grado a grado mostró cambios en la capacidad predictiva de la velocidad de procesamiento sobre las habilidades académicas conforme avanza el proceso educativo, apoyando modelos previamente establecidos en el área (Cai, Li & Deng, 2013; Demetriou, Spanodius & Shayer, 2014). Finalmente, es generó un modelo de ecuaciones estructurales (X2=1.431; p=.232; CFI=1.000; TLI=.999; NFI=.999; RFI=.996; RMSEA=.044) que permitió probar el ajuste de los modelos propuestos a los datos.