Introducción

La resiliencia docente puede ser definida como la capacidad para reponerse a situaciones adversas que ocurren tanto en el contexto académico como en la vida personal (^{Benvenuto et al., 2021}). Este concepto comprende la interacción tanto de factores laborales como de variables sociodemográficas (^{Ainsworth & Oldfiedl, 2019}). A esto se le añade que en el ámbito educativo, el profesorado debe hacer frente a una realidad compleja y múltiples escenarios (^{Valentino & Sosnowski, 2019}). La habilidad para hacer frente a todos estos problemas de forma resiliente parece ser un factor clave en la prevención del estrés laboral (^{Hlaďo et al., 2020}). Entre otros factores, el género podría estar participando en la puesta en marcha de conductas resilientes. Así, Rodríguez-Donaire et al. (2020) encontraron medias más altas en mujeres que en hombres entre el profesorado. En la misma línea, ^{Yada et al. (2021}) demostraron que las mujeres poseían una mayor resiliencia que en el caso de los hombres.

De acuerdo con el modelo de demanda-control del estrés ocupacional, la pérdida de un equilibrio entre lo que el entorno solicita del profesorado y lo que éste puede proporcionar y controlar da lugar a una situación de estrés laboral que puede tener dramáticas consecuencias (^{Marić et al., 2020}). Del estrés generado en un entorno cuyas demandas superan los recursos surge agotamiento emocional, despersonalización y baja realización profesional que definen el síndrome (^{Szempruch, 2018}). El profesorado con mayores recursos resilientes es menos vulnerable a sentirse exhausto emocionalmente o experimentar estrés o burnout (^{Llorca-Pellicer et al., 2021}; ^{Polat & İskender, 2018}). Este tipo de docente tiene un pensamiento más positivo y se repone fácilmente a la adversidad mientras que el profesorado con niveles más bajos de resiliencia muestra una actitud más negativa, una menor capacidad de adaptación y un mayor riesgo de sufrir el síndrome (^{Vicente de Vera & Gabari, 2019}).

En este sentido, la docencia es una profesión estresante en la que existe una tendencia a sufrir el síndrome de burnout siendo el profesorado un colectivo vulnerable (^{Altuntaş & Genç, 2020}; ^{Candeias et al., 2021}; ^{Carmona & Muñoz, 2021}; ^{Roohani & Iravani, 2020}). El síndrome de burnout en docentes surge tras estar sometido a una situación crónica de estrés en el trabajo en la que la persona no tiene recursos suficientes para poder gestionar la alta y prolongada demanda de carácter emocional y psicosocial (^{Carlotto & Câmara, 2017}). Así, en un estudio previo se encontró que el 22.5% presentaba altos niveles de agotamiento emocional, el 22.5% altos niveles de despersonalización y el 23.8% presentaba bajos niveles de autorrealización personal (Carmona & Muñoz, 2021). En otra investigación se halló una tendencia relativamente similar de modo que aproximadamente un 25% del profesorado presentaba altos niveles de agotamiento emocional, un 18% despersonalización y un 17% baja realización profesional (^{Seibt & Kreuzfeld, 2021}). En la investigación de Roohani e Iravani (2020), la media en despersonalización se ubicó en el tercio superior (≥ 13) y lo mismo ocurrió en el caso de la falta de realización personal (≥ 31). Esta estructura trifactorial es apoyada por diversos investigadores (^{Diat Prasojo et al., 2020}). Con respecto a la génesis, el agotamiento emocional puede que surja incluso antes de comenzar con el propio trabajo, es decir, durante la formación docente (^{Väisänen et al., 2018}), de ahí la relevancia de una detección temprana.

Con respecto a la relación del síndrome y la perspectiva de género, los resultados son contradictorios lo cual justifica la necesidad de seguir investigando. Así, por un lado, ^{Guan (2020}) halló que el agotamiento emocional era más alto en profesoras, en personas con una edad entre 31 y 60 años y en aquellas que tenían 12 horas de clase o menos a la semana. En otro estudio también realizado con docentes, se halló que las profesoras poseían niveles más altos de agotamiento emocional, mientras que los profesores mostraban mayor despersonalización y más baja realización profesional, si bien los efectos de la variable género fueron bajos y por ende, es preciso interpretar los datos con cautela (^{Yorulmaz & Altinkurt, 2018}). Todo lo dicho hasta ahora está en contraposición con otro estudio en el que no se hallaron diferencias significativas entre mujeres y hombres en burnout (^{Kroupis et al., 2017}); tampoco las encontraron Feld (2021) ni ^{Seibt & Kreuz (2021}), siendo necesaria más investigación. Con respecto a otras variables sociodemográficas, el estado civil también parece influir en los niveles de estrés y burnout siendo el profesorado casado el que puntúa más alto en realización profesional, por encima de divorciados, viudos y solteros (^{Arias et al., 2019}). Parece ser que, si bien las variables sociodemográficas pueden arrojar luz en el asunto, su contribución a explicar cómo se gestiona el estrés en el profesorado es menor que el de las propias dimensiones de burnout y las condiciones laborales (^{Marić et al., 2020}). Tras la COVID-19 el profesorado ha seguido manifestando altos niveles de estrés y burnout siendo las mujeres el colectivo con mayores puntuaciones y aquellos profesores con más experiencia y más edad quienes tuvieron niveles más bajos (^{Sánchez-Pujalte et al., 2021}).

Tal como se puede inferir, la resiliencia ayuda al profesorado a mantener a raya sus niveles de estrés y a poder gestionar problemas complejos (^{Platsidou & Daniilidou, 2021}). Dicho de otro modo, parece ser que la relación que guarda el síndrome de burnout con la capacidad resiliente sea inversa (^{Polat & İskender, 2018}). El síndrome de burnout puede explicarse, en parte, por la ausencia de resiliencia lo cual implica una inteligencia emocional y la capacidad de desarrollar una motivación intrínseca (Abdul et al., 2020). En concreto, se ha hallado una relación inversa entre resiliencia y agotamiento emocional de modo que aquellos docentes que tenían más altas capacidades resilientes mostraban niveles bajos en esta dimensión de burnout (^{Valosek et al., 2021}).

El fomento de la resiliencia se ha mostrado eficaz frente a la prevención del estrés (^{Szempruch, 2018}). Así, la puesta en marcha de estrategias funcionales, adaptativas y proactivas por parte del profesorado para hacer frente al burnout se ha mostrado muy útil, sobre todo en las primeras etapas de la formación docente para reducir los niveles de estrés y burnout (^{Väisänen et al., 2018}). La instrucción y puesta en marcha de estrategias basadas en creencias y afectividad positivas también se ha asociado a niveles de estrés más bajos (^{Karakus et al., 2021}).

Con respecto a la resiliencia y la COVID-19, la pandemia no parece haber reducido significativamente los niveles de resiliencia en el profesorado de secundaria (^{Liu et al., 2021}). En el mismo estudio, también se halló que bajos niveles de resiliencia tenían la capacidad de predecir altos niveles de agotamiento emocional por lo que la COVID-19 no ha cambiado la relación entre ambos conceptos.

La predicción de los niveles de resiliencia en la comunidad educativa puede realizarse a través de los avances tecnológicos y metodológicos en el campo de la inteligencia artificial (IA). La IA en educación se ha mostrado eficaz para emular el proceso de toma de decisiones humano y reducir los recursos necesarios para ello (^{Colchester et al., 2016}). La IA permite exprimir la información proporcionada por los cuestionarios, analizando las relaciones de sus variables entre sí (^{Guo et al., 2021}). A pesar de ello, la IA sigue siendo una tecnología escasamente familiar para el profesorado si bien está progresando muy rápido (^{Luan et al., 2020}). De hecho, su impacto en la sociedad no para de crecer (^{Dignum, 2021}; ^{Paek & Kim, 2021}). Para su avance es necesario que cambien aspectos metodológicos, aspectos relacionados con la investigación y por supuesto las políticas educativas (^{Hwang et al., 2020}). En este sentido, existe un interés creciente por los AIEd estudios lo cual puede ser fácilmente inferido en el número de contribuciones científicas en este campo (^{Chen et al., 2020}a, 2020b). La inteligencia artificial en el ámbito educativo (AIEd) permite la automatización de diversos procesos de forma que libera recursos temporales, cognitivos, etc. en el profesorado quien puede utilizar esto para realizar otras funciones (^{Schiff, 2021}). La IAEd y los algoritmos asociados deben ser diversificados para poder estudiar el mayor número de fenómenos educativos (Paek & Kim, 2021). La aplicación de las metodologías basadas en esta tecnología permite simular condiciones educativas y predecir sus resultados (^{Bañeres et al., 2020}; Chen et al., 2020a, 2020b; Guo et al., 2021; ^{Pokrivcakova, 2019}). La utilización conjunta de análisis descriptivos y algoritmos predictivos basados en inteligencia artificial se ha mostrado eficaz en el ámbito educativo para extraer conclusiones relevantes (^{Bozkurt et al., 2021}). Asimismo, el algoritmo backpropagation utilizado en la arquitectura de red neuronal artificial ha dado resultados muy positivos (^{Buddhtha et al., 2019}). Las conclusiones extraídas a través del uso de esta metodología permiten adaptarse a los agentes educativos en mayor medida, teniendo en cuenta de forma multidimensional sus preferencias y necesidades en el proceso de enseñanza-aprendizaje (^{Goksel & Bozkurt, 2019}), ya que permite desarrollar el principio de individualización y personalización de la enseñanza (^{Reiss, 2021}).

Dicho esto, el objetivo general de esta investigación fue predecir los niveles actuales de resiliencia en el profesorado de secundaria en función del género utilizando redes neuronales artificiales. Los objetivos específicos que se establecieron fueron los siguientes: (1) conocer el nivel de resiliencia del profesorado en términos generales y en función del género; (2) examinar los niveles de agotamiento emocional, cinismo y eficacia profesional (dimensiones del burnout) en profesoras y profesores; (3) estudiar el nivel de estrés asociado a la COVID-19 en el profesorado en función del género; (4) desarrollar redes neuronales artificiales (RNA) que predigan la resiliencia en base a las puntuaciones en las dimensiones de burnout, el estrés asociado a la COVID-19 y las variables sociodemográficas.

Método

Resultados

Los resultados obtenidos a la hora de analizar las diferencias de género entre las medias en resiliencia (objetivo 1), con las dimensiones de burnout (objetivo 2), con el estrés generado por la COVID-19 (objetivo 3) y las principales variables sociodemográficas, se encuentran en la Tabla 1, habiendo aplicado la prueba t de Student. Tal como se puede observar se hallan diferencias en la dimensión de burnout de eficacia (realización profesional) (t = .095, p = .041) y COVID-19 (t = .038, p < .000) siendo las medias más altas en mujeres en ambas variables.

Tabla 1. Diferencias entre medias en resiliencia, dimensiones de burnout, estrés por COVID-19 y la variable sociodemográfica continua experiencia. 

Fuente: Elaboración propia.

^Nota.M: Media; DT: Desviación Típica; t: Prueba t de Student; p: Nivel de significatividad

Con relación al diseño de las redes neuronales artificiales, se procedió a realizar tres: una de carácter global para todos los participantes (RNA-Global), otra para las profesoras (RNA-2), y otra para los profesores (RNA-3). La principal información de la red se encuentra establecida en la Tabla 2.

Tabla 2. Información de la red con relación a RNA-1, RNA-2 y RNA-3. 

^Nota.a: Excluyendo las unidades de sesgo.

En las Figuras 1, 2, y 3 se presentan las redes RNA-1, RNA-2, y RNA-3 respectivamente teniendo en los tres casos como variable dependiente la resiliencia. Los pesos sinápticos se representan con líneas más gruesas son aquellos inferiores a 0 y los pesos sinápticos con líneas más finas representan valores superiores a 0.

Fuente: Elaboración propia.

Figura 1. Red neuronal artificial global predictora RNA-1. 

Fuente: Elaboración propia.

Figura 2. Red neuronal artificial predictora de la resiliencia en mujeres RNA-2. 

Fuente: Elaboración propia.

Figura 3. Red neuronal artificial predictora de la resiliencia en hombres RNA-3. 

El resumen de los tres modelos para cada una de las fases implicadas en el diseño se encuentra expuesto en la Tabla 3.

Tabla 3. Resumen de los modelos RNA-1, RNA-2 y RNA-3. 

Fuente: Elaboración propia.

^Nota.RNA-1: Red Neuronal Artificial Global; RNA-2: Red Neuronal Artificial en mujeres; RNA-3: Red Neuronal Artificial en hombres; a: Error computations are based on the testing sample; Dependent Variable: Resilience.

La contribución de cada una de las variables a la capacidad predictiva de los niveles de autoestima en el profesorado se muestra en la Tabla 4 para cada una de las tres redes neuronales artificiales diseñadas. Se puede observar cómo la eficacia o realización profesional es la variable que más contribuye a predecir los niveles en la variable dependiente autoestima mientras que las variables sociodemográficas tienen un aporte menor en el modelo.

Tabla 4. Importancia e importancia normalizada de las variables independientes. 

Fuente: Elaboración propia.

^Nota.RNA-1: Red Neuronal Artificial Global; RNA-2: Red Neuronal Artificial en mujeres; RNA-3: Red Neuronal Artificial en hombres.

Finalmente, en las Figuras 4, 5 y 6 se muestra la relación existente entre los valores predichos por el modelo y los observados en resiliencia para RNA-1, RNA-2 y RNA-3 respectivamente. Es posible observar en las tres redes una relación directamente proporcional dándose un patrón de puntos ascendente y oblicuo a los ejes de coordenadas.

Fuente: Elaboración propia.

Figura 4. Relación entre el valor predicho por el modelo y el observado en la RNA-1. 

Fuente: Elaboración propia.

Figura 5. Relación entre el valor predicho por el modelo y el observado en la RNA-2 en profesoras. 

Fuente: Elaboración propia.

Figura 6. Relación entre el valor predicho por el modelo y el observado en la RNA-3 en profesores. 

Discusión

El objetivo general del estudio fue predecir la resiliencia mostrada por el profesorado en función del género a través del diseño de RNA. Con respecto al objetivo 1 relacionado con conocer los niveles de resiliencia entre mujeres y hombres, se halló que mujeres y hombres obtuvieron medias similares en contraposición con lo planteado por Rodríguez-Donaire et al. (2020) y ^{Yada et al. (2021}). Esto puede que se deba a que ambos trabajan en el mismo entorno, las demandas son similares y las estrategias puestas en marcha para poder hacer frente a los retos son similares. Se considera preciso seguir estudiando este punto.

En relación con el objetivo 2, se han observado diferencias significativas entre mujeres y hombres en agotamiento y eficacia. En el presente estudio las mujeres obtuvieron medias más altas en dichas dimensiones. No obstante, no se obtuvieron diferencias significativas en cinismo. Coincidiendo en parte con los resultados actuales, en una investigación previa se obtuvieron puntuaciones más altas en burnout en mujeres (^{Sánchez-Pujalte et al., 2021}). También está en línea de lo planteado por ^{Arias et al. (2019}) quienes hallaron niveles más altos en agotamiento emocional en profesoras y, sin embargo, iguales en el resto de las dimensiones. En contraposición, ^{Roohani & Iravani (2020}) concluyeron que eran los profesores varones quienes mostraban niveles más altos del síndrome. Así, se encontró que los hombres mostraron mayores puntuaciones en agotamiento emocional mientras que las mujeres puntuaron más alto en realización profesional. Por otro lado, destaca la investigación de ^{Seibt & Kreuzfeld (2021}), quienes no encontraron diferencias en función del género en las dimensiones de burnout. El comportamiento de las dimensiones de burnout parece funcionar con relativa autonomía. En este sentido, la investigación de ^{Marić et al. (2020}) puso de manifiesto que en ocasiones el profesorado puede tener una baja realización profesional sin altos niveles de agotamiento emocional ni de despersonalización.

Con respecto al objetivo 3, enfocado a estudiar el estrés asociado a la COVID en función del género, las mujeres obtuvieron medias más altas en el instrumento para medir el estrés asociado a la COVID-19. En un estudio realizado con docentes en tiempos de COVID-19, se encontró que las mujeres puntuaron más alto en estrés (^{Sánchez-Pujalte et al., 2021}). Basándonos en la teoría de la demanda-control del estrés laboral, es posible que la clave sea lidiar con la sobrecarga de trabajo. Para ello, se propone reducir el número de clases impartidas por cada docente, entrenar al profesorado en habilidades para interacción con la comunidad educativa, así como tiempo para preparar las asignaturas, entre otras medidas (^{Seibt & Kreuzfeld, 2021}).

En último lugar, con respecto al objetivo 4, se ha hallado una diferente contribución de las variables objeto de análisis a la capacidad predictiva de la red en función del género. Se recuerda que se pretendía predecir los niveles de resiliencia a través de las dimensiones de burnout, estrés asociado a la COVID y ciertas variables sociodemográficas. En la RNA en mujeres las tres variables independientes que contribuían en mayor medida a la capacidad predictiva de la red fueron la eficiencia, el estado civil y el cinismo. La inclusión de variables de diferentes naturalezas y que abarquen tanto factores ambientales como personales enriquece el modelo (^{Seibt & Kreuzfeld, 2021}). En el caso de los hombres, estas variables fueron la eficiencia, el estado civil y el estrés asociado a la COVID-19. El algoritmo utilizado para la arquitectura neuronal fue backpropagation, el cuál ha dado buenos resultados en previos estudios (^{Buddhtha et al., 2019}). Asimismo, el uso de análisis descriptivos e inteligentes proporciona una gran oportunidad para extraer datos valiosos y compatibles entre sí (^{Bozkurt et al., 2021}; ^{Guo et al., 2021}). La IA subyacente a los análisis de la presente investigación son innovadores (^{Dignum, 2021}) y no parece comportarse como una moda pasajera, sino que se está estableciendo en el propio sistema con intención de una continuidad y evolución (^{Reiss, 2021}). Asimismo, y siguiendo a Dignum (2021), la IA es más que la suma de sus partes. Más concretamente, la IA es más que el propio algoritmo que se genera, sino que implícitamente es un reflejo del contexto sociocultural.